一种新的有限光谱:与虫虫优化算法集成的门式术语内存单元递归网络,用于发作检测

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.
• 人工智能在医学中的应用

背景情况:

• 通过脑电图 (EEG) 信号检测发作对于患者的护理至关重要.
• 目前的视觉检查方法对于大型数据集来说是耗时的,主观的,且效率低下的.
• 现有的自动化技术往往缺乏所需的性能和可扩展性.

研究的目的:

• 设计一种自动化工具,通过EEG信号准确预测发作.
• 通过使用先进的计算技术来解决当前检测方法的局限性.
• 帮助医疗专业人员提供可靠和有效的诊断辅助工具.

主要方法:

• 脑电图信号预处理,包括分解,过,使用有限的哈尔波束转换去除文物.
• 使用有限光谱 (FSE) 对时间,频率和时间频率域进行非线性特征提取.
• 发作的分类采用了一种新的封闭式术语内存单元递归网络 (GTRN) 模型.
• 优化分类过程使用Ladybug Beetle优化 (LBO) 算法进行物流的Sigmoid函数计算.

主要成果:

• 拟议的FSE-GTRN-LBO机制在分类健康和受影响的EEG信号方面表现出高准确性.
• 该系统通过先进的波波变换和特征提取有效地处理了EEG信号.
• 与现有方法相比,对基准EEG数据集的验证显示出更高的预测准确性和性能.

结论:

• 开发的自动化系统在发作检测方面取得了重大进展.
• 结合FSE,GTRN和LBO,为基于EEG的预测提供了一个高效和准确的解决方案.
• 这项技术有可能提高的临床诊断和患者管理.