多分辨率波形碎片分析和子任务培训,以提高几次射击噪音大脑波识别

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 物联网 (IoT) 集成彻底改变了医疗监测.
• 便携式脑电图 (EEG) 提供了方便性,但面临着数据噪音和主体间变异性的挑战.
• 由于信号变化和训练数据不足,现有的方法难以通用.

研究的目的:

• 开发一个新的框架,以加强基于EEG的识别在物联网医疗监测.
• 为了应对噪音较大的样本,高个体间的差异性和EEG数据的不良概括性的挑战.
• 为了提高实时,可变EEG信号的脑波检测的准确性和稳定性.

主要方法:

• 实施了多分辨率数据分析框架,使用波形分数来提取特征.
• 利用连续波波变换 (CWT) 和重组来扩展原始数据和增强训练样本.
• 采用深度学习 (DL) 副任务学习方法,结合各种规模的波段以实现高效的模型通用化.

主要成果:

• 提出的基于DL的方法有效地从小规模和杂的EEG数据中提取特征.
• 在医疗监测绩效方面取得显著改善.
• 成功地减轻了外部噪声对EEG信号分析的影响.

结论:

• 新的框架提高了物联网医疗保健环境中的EEG识别准确性.
• 该方法有效地处理噪音和可变的EEG数据,提高了概括性.
• 这种方法为现实世界医疗保健应用中先进的大脑波检测提供了强大的解决方案.