从EEG信号中自动识别,使用CNN-LSTM的时间空间结合算法

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 的诊断依赖于分析电脑电图 (EEG) 信号,这些信号提供实时的时间洞察力.
• 对于EEG分类的经典机器学习通常需要手动参数调整,主要关注二元 (与健康) 识别.
• 三级分类 (连续性vs间歇性vs健康) 较少探索,但在临床上是相关的.

研究的目的:

• 开发和评估一种新的深度学习方法,用于从EEG信号中对进行多类分类.
• 在二进制和三进制分类任务中实现自动化,高效和准确的检测.
• 通过消除手动干预和提高诊断性能来改进现有方法.

主要方法:

• 提出了一种混合深度学习模型,将卷积神经网络 (CNN) 集成为特征提取和长短期记忆 (LSTM) 用于时间分析.
• 该模型在脑电图信号的公开可用的基准数据库上进行了训练和验证.
• 该方法侧重于在没有手动预处理或参数调整的情况下自动获取知识.

主要成果:

• 混合CNN-LSTM模型在三元分类中实现了最先进的性能,准确度为98%,特异性为97.4%,灵敏度为98.3%.
• 对于二进制分类,该模型以100%的准确度显示出优异的结果.
• 双流时空网络的性能超过了以前的深度学习和经典机器学习模型.

结论:

• 拟议的混合CNN-LSTM模型为EEG的症分类提供了一个高度准确和自动化的解决方案.
• 这种方法显著提高了诊断效率,并减少了临床环境中神经病学家的工作量.
• 该模型能够进行多类分类 (三元分类) 的能力代表了智能诊断的重大进步.