混合网络用于从EEG数据预测患者特定的发作
Yongfeng Zhang1, Tiantian Xiao1, Ziwei Wang1
1School of Information Science and Engineering, Shandong Normal University, Jinan 250358, P. R. China.
International journal of neural systems
|October 30, 2023
概括
这项研究引入了STCNN,一种混合深度学习模型,结合了Swin变压器和2D CNN,用于改善发作预测. 这种新的方法提高了使用电脑电图数据预测的准确性.
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:
- 影响全球数以百万计的人,耐药性病例显著影响生活质量.
- 准确的发作预测对于治疗至关重要,特别是在耐药形式.
- 当前的深度学习模型,特别是单个卷积网络,在捕捉EEG数据中的长期依赖性方面存在困难.
研究的目的:
- 开发一种先进的深度学习模型,用于准确预测发作.
- 解决单一卷积模型在捕捉全球和长期EEG特征方面的局限性.
- 提高对抗药性患者的预测系统的性能.
主要方法:
- 开发了一种混合深度学习模型,STCNN,集成Swin变压器 (ST) 和2D卷积神经网络 (2DCNN).
- 时间频率特征使用短期里叶变换 (STFT) 作为STCNN模型的输入来提取.
- ST块捕获了全球信息和长期依赖,而2DCNN块则专注于本地和短期特征.
主要成果:
- 该STCNN模型实现了92.94%的平均预测灵敏度.
- 在ROC曲线下的面积 (AUC) 达到95.56%,表明高预测准确度.
- 记录了0.073的低虚假阳性率 (FPR),证明了该模型的可靠性.
结论:
- 拟议的STCNN模型有效地结合了全球和本地特征提取,以便更好地预测发作.
- 这种混合方法显著改善了基于EEG的预测的传统单卷模型.
- 该STCNN模型显示了在改善患者生活方面具有很强的临床应用潜力.
