通过使用深度学习模型,研究从噪声的EEG信号中检测特定人群的
Torikul Islam1, Monisha Basak1, Redwanul Islam1
1Department of Biomedical Engineering, Khulna University of Engineering & Technology, Bangladesh.
Heliyon
|December 21, 2023
概括
这项研究引入了一种新的深度学习方法,用于从脑电图 (EEG) 信号中检测,实现100%的准确性. 该方法有效地处理噪音较大的EEG数据,并提供特定人群的见解.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 是一种广泛的神经系统疾病,在各个年龄段都有未知的原因和各种各样的影响.
- 目前的发作检测方法与的电脑电图 (EEG) 信号作斗争.
- 研究特定年龄的病模式对于量身定制的诊断至关重要.
研究的目的:
- 开发一种强大的发作检测方法,用于噪声的脑电图信号.
- 探索人口特异性 (基于年龄) 的检测.
- 通过先进的信号处理和深度学习,为诊断提供新的见解.
主要方法:
- 使用了TUHEEG集体,一个具有挑战性的多通道EEG数据库.
- 预处理的EEG信号使用带通波和手动文物排斥.
- 应用变换分析 (CWT,光谱图,WVD) 来从EEG信号中创建图像数据集.
- 采用了各种深度学习模型 (DenseNet,VGG,Xception,InceptionV3,MobileNetV2) 来进行分析.
- 根据年龄划分数据,用于特定人群的发病检测.
主要成果:
- 深度学习模型在使用转换的EEG图像检测一般时表现出高性能.
- 人口特异性分析为与年龄相关的病模式提供了新的见解.
- 拟议的框架在发病检测方面实现了100%的准确性.
- 性能超过了基于EEG的诊断现有方法.
结论:
- 这种新的深度学习框架提供了一个高度准确和强大的解决方案,用于从噪音的脑电图中检测.
- 该研究强调了年龄特定分析对于改善诊断的重要性.
- 这种方法有可能显著推进临床的检测和管理.
