一个自我注意模型,用于跨主体的发作检测
Tala Abdallah1, Nisrine Jrad2, Fahed Abdallah3
1Univ Angers, LARIS, SFR MATHSTIC, F-49000 Angers, 62 avenue Notre-Dame du Lac, France.
Computers in biology and medicine
|September 8, 2023
概括
这项研究引入了一种深度学习模型,用于使用脑电图 (EEG) 信号检测发作. 新的自我注意机制提高了准确性,简化了从原始EEG数据中自动检测发作.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学信号处理
背景情况:
- 是一种神经系统疾病,导致经常性发作,传统上通过手动脑电图 (EEG) 分析来检测.
- 从高维,非静止的EEG信号中自动检测发作存在重大挑战.
- 深度学习 (DL) 技术为自动发作检测提供了先进的解决方案.
研究的目的:
- 提出一种新的深度学习模型,用于自动检测发作.
- 将自我注意机制 (SAT) 纳入DL模型,以进行增强的EEG信号分析.
- 开发一种直接处理原始EEG数据的模型,最大限度地减少对信号处理专业知识的需求.
主要方法:
- 一个深度学习模型,结合一维卷积神经网络 (CNN) 进行特征提取和长短期记忆 (LSTM) 模块进行时间分析.
- 在LSTM编码器中集成自我注意 (SAT) 层,以改善特征表示.
- 直接输入原始EEG信号数据,消除了手动特征工程的需要.
主要成果:
- 拟议的DL模型在UCI数据集上获得了高的F1分数:97.8%的二进制和92.7%的五类扣押识别.
- 该模型在CHB-MIT数据库中表现出强的表现,F1得分为97.9%,超过现有的最先进的DL方法.
- 该方法显示了对EEG数据的跨主体变异性的稳定性.
结论:
- 具有自我注意机制的新型DL模型有效地通过EEG信号检测发作.
- 该模型处理原始数据的能力简化了应用并提高了性能.
- 这种方法代表了自动发作检测的重大进步,提供了高精度和稳定性.
