轻量级卷积变压器用于跨患者在多通道EEG信号中的发作检测
Salim Rukhsar1, Anil Kumar Tiwari1
1Department of Electrical Engineering, Indian Institute of Technology Jodhpur, Rajasthan, 342030, India.
Computer methods and programs in biomedicine
|October 19, 2023
概括
这项研究引入了一种新型的轻量级卷积变压器 (LCT),用于自动检测EEG信号的发作. LCT模型在检测发作方面取得了很高的准确性,为治疗评估提供了改进的方法.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学信号处理
背景情况:
- 是一种神经系统疾病,其特点是经常性发作.
- 准确的发作频率和严重程度测量对于评估药物疗效至关重要.
- 患者自我报告用于追踪发作通常是不准确的,需要自动化方法.
研究的目的:
- 利用深度学习开发一种自动化,准确的方法来检测发作.
- 提出一种新的轻量级卷积变压器 (LCT) 架构用于发作检测.
- 提高自动发作检测系统的效率和降低计算复杂性.
主要方法:
- 开发了一个新的深度学习架构,轻量级卷积变压器 (LCT).
- 该LCT模型同时从多通道EEG信号中学习空间和时间信息.
- 卷积代币化解决了视觉变压器 (ViT) 的局限性,并将提取的变压器编码器信息进行序列聚合.
主要成果:
- 通过LCT模型,通过原始EEG信号有效地跨患者检测发作.
- 在0.5秒段的CHB-MIT数据集上实现了96.31%的准确性和96.32%的F1得分.
- 诱导性偏见和基于注意力的聚合提高了性能,降低了计算复杂性.
结论:
- 拟议的LCT模型为多道自动发作检测提供了一种高效和简化的方法.
- 这种方法提供了一种更可靠的替代方法,用于控制发作,而不是主观患者报告.
- 这项研究强调了深度学习在改善管理方面的潜力.
