基于深度学习的性脑电图信号的分类,使用集中的时间频率方法

科学领域:

• 生物医学信号处理
• 神经学 神经学
• 机器学习 机器学习

背景情况:

• 影响全球数以百万计的人,导致不可预测的发作.
• 脑电图 (EEG) 信号监测大脑活动,并可能预测发作.
• 准确的时间频率 (TF) 分析对于解释复杂的生物医学信号,如EEG至关重要.

研究的目的:

• 评估ConceFT (频率和时间度) 方法的性能和稳定性,用于分析性脑电图信号.
• 介绍一个信号分类算法,利用ConseFT衍生TF图像来检测.
• 展示ConceFT与生物医学应用中的深度学习结合的实用性.

主要方法:

• 开发了一种新的TF分析技术ConceFT,该技术结合了多层压缩和同步压缩转换 (SST).
• 通过使用ConseFT从EEG信号生成TF图像.
• 采用谷歌LeNet,一个深度学习模型,对TF图像进行分类.

主要成果:

• ConceFT产生了高度缩的TF表示,具有出色的时间和频率分辨率.
• 该分类算法实现了高精度,在两级和三级场景中,精度从95.83%到99.58%不等.
• 分类性能与ConceFT的TF表示的准确性直接相关.

结论:

• ConceFT是一种成功且有前途的TF分析方法,用于像EEG这样的非静态生物医学信号.
• 拟议的方法显示了通过EEG信号分类来准确检测的巨大潜力.
• 将ConceFT与深度学习相结合,为分析复杂的神经数据提供了强大的方法.