使用混合深度学习方法检测和分类成人

科学领域:

• *神经科学和医学信息学
• * 医疗保健中的人工智能

背景情况:

• *电脑电图 (EEG) 是诊断等神经系统疾病的关键工具.
• * 精确的诊断至关重要,因为它会对患者的幸福感产生影响.
• *目前的方法需要有效地对原始EEG信号进行分类,特别是在儿科患者中.

研究的目的:

• * 开发和验证一种独特的方法,用于识别预成年患者的发作,使用最小处理的EEG.
• * 通过三维深卷积自动编码器 (3D-DCAE) 和神经网络分类器来利用自动特征学习.
• * 为了实现高分类精度,对ictal和interictal大脑状态.

主要方法:

• * 实施使用3D-DCAE和神经网络分类器进行监督培训的综合框架.
• *使用三个不同的EEG数据段长度和十倍交叉验证对两个模型的评估.
• *使用标记的混合卷积自动编码器 (LHCAE) 模型与双向长短期记忆 (Bi-LSTM) 分类器和4秒EEG段.

主要成果:

• * LHCAE模型在波士顿儿童医院 (CHB) 数据集中的五个评估指标中表现出卓越的表现.
• * 获得了高精度 (99.08% ± 0.54%),灵敏度 (99.21% ± 0.50%),特异性 (99.11% ± 0.57%),精度 (99.09% ± 0.55%),以及F1得分 (99.16% ± 0.58%).
• * 拟议的模型在相同的数据集上表现优于现有的最先进方法.

结论:

• * 拟议的LHCAE模型提供了一个高度准确和高效的方法,用于从EEG数据中对儿科发作进行分类.
• * 这种人工智能驱动的方法显示出显著的潜力,可以提高年轻患者的诊断和治疗.
• *这些发现表明,使用深度学习来自动检测神经系统异常有望取得进展.