在EEG尖峰检测中绘制图形神经网络
Ahmed Hossam Mohammed1, Mercedes Cabrerizo1, Alberto Pinzon2
1Department of Electrical and Computer Engineering, Florida International University, 10555 W Flagler St, Miami, 33174, FL, USA.
Artificial intelligence in medicine
|November 4, 2023
概括
新的机器学习模型,特别是图形神经网络 (GNN),显示出在EEG数据中检测间接性形放电 (IED) 的巨大潜力,从而改善的诊断.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 医疗技术 医疗技术 医学技术
背景情况:
- 间接性发性排泄 (IED) 是诊断的关键生物标志物.
- 在头皮脑电图 (EEG) 中准确检测IED仍然是一个挑战.
- 需要先进的机器学习技术来改善IED检测.
研究的目的:
- 开发和评估新的机器学习架构,以加强头皮EEG中的IED检测.
- 用平均精度 (AP) 度量来比较拟议模型与现有方法的性能.
- 调查图形神经网络 (GNN) 在识别发性活性方面的有效性.
主要方法:
- 开发了两种基于GNN的新型架构:FC-GNN和CA-GNN.
- FC-GNN使用跨频子频段的功能连接 (FC) 地图.
- 在完整的图形上,CA-GNN结合了注意力机制,以绕过特征提取.
主要成果:
- 在两个独立的医院数据集上,FC-GNN和CA-GNN都在IED检测方面表现出卓越的表现.
- CA-GNN获得了最高的平均精度 (AP) 评分,在浸信会医院数据集上达到0.9788±0.0125,在寺大学医院数据集上达到0.9879.
- 提出的GNN模型显著超过了传统方法,如香草自我注意和VGG.
结论:
- 图形神经网络 (GNN) 显示出对精确检测发性活动的显著前景.
- 开发的FC-GNN和CA-GNN架构代表了IED检测的实质性进展.
- 这项研究为改善患者3D源本地化铺平了道路.
