CLEP:使用空间时光光谱网络进行发作预测的对比学习

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:

• 的诊断依赖于通过电脑电图 (EEG) 信号准确预测发作.
• 当前的深度学习方法面临着数据需求的挑战,并忽略了多域性脑的特征.
• 现有的方法往往会导致低于最佳的预测性能.

研究的目的:

• 开发一种有效的预测方法,解决当前深度学习策略的局限性.
• 纳入空间-时间-光谱依赖性,以进行增强的性脑分析.
• 提高预测系统的实用性和效率.

主要方法:

• 使用空间时光光谱网络 (STS-Net) 预测发作 (CLEP) 的拟议对比学习.
• 通过对比学习,CLEP学习跨主体性EEG模式.
• 通过使用三重注意层 (TAL) 和空间动态图形卷积网络 (sdGCN),STS-Net可以提取多尺度的时间和光谱特征.

主要成果:

• 在CHB-MIT头皮EEG数据库中获得了96.7%的灵敏度和0.072个错误预测/小时.
• 在临床内EEG (iEEG) 数据上验证,产生95%的灵敏度和每小时0.087个错误预测.
• 超越了最先进的方法,证明了拟议的CLEP-STS-Net的有效性.

结论:

• 通过整合多域EEG特征,CLEP-STS-Net有效地预测发作.
• 与现有技术相比,拟议的方法提供了一种更强大,更有效的方法.
• 这项工作推进了用于临床应用的自动预测领域.