用不同的分类技术对EEG异常进行自动诊断
Essam Abdellatef1, Heba M Emara2, Mohamed R Shoaib3
1Department of Electronics and Communications, Delta Higher Institute for Engineering and Technology (DHIET), 35511, Mansoura, Egypt.
Medical & biological engineering & computing
|September 6, 2023
概括
本研究介绍了自动发作检测和预测EEG数据的两种先进方法. 机器学习和深度学习方法都实现了高精度,超过了现有技术.
科学领域:
- 生物医学工程 生物医学工程
- 计算神经科学是一种神经科学.
- 信号处理 信号处理
背景情况:
- 通过电脑电图 (EEG) 检测和预测发作是复杂的,因为信号与噪声的比率低,患者特异性发作变化和数据限制.
- 现有的方法在临床环境中准确识别和预测发作时面临挑战.
研究的目的:
- 开发和评估使用EEG信号增强自动发作检测和预测的两种新方法.
- 通过使用先进的信号处理和机器学习技术,克服当前方法的局限性.
主要方法:
- 开发了一种机器学习 (ML) 模型,利用希尔伯特边际光谱 (HMS) 领域的特征,包括,高阶统计和子频段能量,分类为SVM,LR和KNN.
- 实施了使用卷积神经网络 (CNN) 的深度学习方法,在EEG光谱图上进行残余学习,用于发作检测,预测和三态分类.
主要成果:
- 基于HMS的ML模型在发作检测和预测方面实现了100%的准确性.
- 基于CNN的模型表现出高准确率:97.66% (发作与发作前),95.59% (非发作与发作) 和94.51% (非发作与发作与发作前).
- 这两种方法在CHB-MIT EEG数据集上都超过了最先进的技术.
结论:
- 提出的基于HMS和基于CNN的方法在自动发作检测和预测方面非常有效.
- 这些方法比现有技术有了显著的改进,为更可靠的监测铺平了道路.
- 这项研究强调了先进的计算方法在改善管理方面的潜力.
