一个新的预测模型使用混沌CNN与混合伪造来提高发作预测的诊断准确性
Preethi Palanisamy1, Shabana Urooj2, Rajesh Arunachalam3
1Department of Computer Science and Engineering, Kongunadu College of Engineering and Technology, Trichy 621215, India.
Diagnostics (Basel, Switzerland)
|November 14, 2023
概括
这项研究引入了一种新的系统,用于使用混乱算法和卷积神经网络 (CNN) 进行加密的发作检测. 该方法在预测电脑电图 (EEG) 数据的发作方面达到很高的准确性,提高了患者数据的安全性.
科学领域:
- 神经学 神经学
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 自20世纪70年代以来,发作检测已经显著发展,成为一个关键的研究领域.
- 实际应用需要安全有效的方法来分析电脑电图 (EEG) 数据.
- 现有的方法面临着患者EEG记录和网络攻击的安全挑战.
研究的目的:
- 利用精选的EEG特征和电极位置,开发一种定制的预测方法.
- 创建一个有效的系统来预测和分类加密的EEG数据,解决安全问题.
- 提高发作检测系统的准确性和可靠性.
主要方法:
- 脑电图时间序列转换为二维光谱图像,并使用混乱算法 (阿诺德变换) 进行加密.
- 由卷积神经网络 (CNN) 处理的加密数据与转移学习 (TL).
- 混合伪造优化方法用于调整集体学习分类器参数.
主要成果:
- 实现了高性能指标:98.9%的准确性,98.2%的灵敏性,98.6%的特异性,98.6%的精度和98.9%的F1分数.
- 与同一个数据集上的其他最先进的技术相比,证明了更高的有效性.
- 这种新的策略被证明是一个非常有效的发作检测系统.
结论:
- 拟议的系统提供了一种高效和安全的方法来分析加密的EEG数据以预测发作.
- 这种方法显著推进了发作检测技术的实际应用.
- 混沌加密,CNN和优化集体学习的结合为发作检测提供了一个强大的解决方案.
