使用来自多通道EEG信号的深度卷积神经网络检测和确定新生儿的严重程度
Biniam Seifu Debelo1, Bheema Lingaiah Thamineni2, Hanumesh Kumar Dasari3
1Department of Biomedical Engineering, Nigist Eleni Mohamed Memorial Compressive Specialized Hospital, Wachamo University, Hosanna, Ethiopia.
Pediatric health, medicine and therapeutics
|November 7, 2023
概括
一个新的深度卷积神经网络系统从EEG数据准确地检测新生儿发作. 这种人工智能工具有助于临床医生诊断发作,特别是在专家神经科医生稀缺的地方.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 新生儿发作是新生儿常见的神经问题,经常呈现微妙的临床症状.
- 仅通过临床观察来确定新生儿发作是具有挑战性的,容易出现错误的.
- 早期和准确的诊断对于管理潜在的严重神经功能障碍至关重要.
研究的目的:
- 开发基于深度卷积神经网络 (CNN) 的诊断系统.
- 准确地确定和分类新生儿发作的严重程度,使用多通道新生儿EEG数据.
- 为了提高新生儿发作的诊断准确性,克服临床观察的局限性.
主要方法:
- 利用公开可用的多通道新生儿EEG数据集.
- 预处理2D时间序列EEG数据到波形图像.
- 训练和评估深度卷积神经网络模型用于发作检测和分类.
主要成果:
- 在用于发作检测的二进制分类中实现了92.6%的准确性.
- 在多重分类中达到88.6%的准确性,用于发作严重程度.
- 证明了高性能指标,包括F1分数,特异性和精确性,用于两种分类任务.
结论:
- 开发的CNN系统有效地检测新生儿发作.
- 该系统显示出作为临床医生决策工具的潜力.
- 它可以帮助在资源有限的环境中缺乏专家神经科医生.
