一种基于数据增强和轻量级神经网络的脑电图检测方法

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 影响全球6500万,传统的检测方法效率低下.
• 对于大脑信号检测的深度学习面临着数据质量和计算需求的挑战.
• 推进临床应用需要高效和准确的发作检测模型.

研究的目的:

• 开发一个高度准确和计算效率高的深度学习模型来检测.
• 在数据和资源需求方面解决传统方法和当前深度学习方法的局限性.
• 创建一个适合在资源有限的硬件上部署的轻量级模型.

主要方法:

• 合并了波恩大学和CHB-MIT的数据集,以提供强大的培训.
• 利用小窗口细分和合成少数人过量采样技术 (SMOTE) 来管理数据集大小和类不平衡.
• 提出了一个精简的神经网络架构,显著减少了训练参数.

主要成果:

• 在三个分类任务中实现了98.52%的准确性,97.99%的灵敏性,99.35%的特异性和98.44%的精度.
• 开发了一个只有9371个参数的模型,证明了参数的大幅减少.
• 拟议的方法在模型大小和准确性方面都超过了现有的方法.

结论:

• 开发的轻量级神经网络为发病检测提供了卓越的性能.
• 该模型的效率使其非常适合在低成本硬件上部署,包括可穿戴技术.
• 可用于临床应用的实时电脑图 (EEG) 检测.