基于EEG的发作检测,使用二元龙算法和深度神经网络
G Yogarajan1, Najah Alsubaie2, G Rajasekaran1
1Department of Information Technology, Mepco Schlenk Engineering College, Sivakasi, Tamil Nadu, 626005, India.
Scientific reports
|October 18, 2023
概括
这项研究引入了使用深度神经网络和二进制龙算法先进的自动发作检测系统. 该方法通过分析EEG信号不对称性以100%的准确度有效地识别发作.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 脑电图 (EEG) 对于监测大脑活动和检测发作至关重要.
- 脑电图信号不对称性可以表明活动,区分正常,间接和间接状态.
- 准确的发作检测对于的诊断和管理至关重要.
研究的目的:
- 开发一个改进的,基于EEG的自动化发作检测系统.
- 利用深度神经网络 (DNN) 和二进制龙算法 (BDFA) 进行增强的发作检测.
- 分析EEG信号对称性和不对称性,以提高诊断准确度.
主要方法:
- 使用静止波段转换器来分解EEG信号.
- 提取了九个统计和Hjorth参数作为特征.
- 使用深度神经网络 (DNN) 进行信号分析.
- 应用了二进制龙算法 (BDFA) 进行特征选择和优化.
主要成果:
- 实现了100%的准确性,灵敏度,特异性和F1分数在区分正常,间接和间接EEG信号.
- 使用BDFA减少了87%的特征,选择了13%的子集.
- 与现有的发作检测方法相比,其表现卓越.
结论:
- 拟议的DNN和BDFA模型有效地使用EEG信号不对称性来检测发作.
- 通过BDFA选择特征可以显著提高DNN训练速度和性能.
- 这种自动化系统为的诊断和管理提供了一个有前途的工具.
