具有知识增强的深度极端学习机器用于EEG发作信号识别

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 预测发作对于诊断至关重要,需要精确的脑电图 (EEG) 信号识别.
• 传统的极端学习机器 (ELM) 在电脑脑脑电图数据中与噪音和人工物作斗争.
• 标准的深度学习方法面临着长时间的培训时间和缓慢的融合的挑战.

研究的目的:

• 推出一种新的深度极端学习机器 (DELM),用于增强EEG信号识别.
• 为了利用堆叠概括来实现层次化的,耐噪声的深度学习方法.
• 提高发作预测的效率和准确性.

主要方法:

• 开发了一个由独立的ELM模块组成的层次网络 (DELM).
• 综合增强的EEG知识作为跨模块的互补组件.
• 采用单向学习方法,消除了对参数微调的需求.

主要成果:

• 与现有方法相比,DELM在波恩EEG数据集上取得了更高的平均准确度和F测量得分.
• 拟议的DELM表现出明显更快的运行时间,超过深度学习方法的两倍以上.
• 实验结果证实了DELM在患者EEG信号识别中的有效性.

结论:

• 德尔姆超越了传统和最先进的机器学习方法来识别性脑电图信号.
• 对于实时EEG信号分类来说,DELM架构是可行的和优越的.
• 这种计算效率高的深度分类器显示了更快的发作发作检测的巨大潜力.