基于EEG的自动发作检测,使用一维卷积神经网络的火焰优化

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.

背景情况:

• 发作可能会导致不可逆转的脑损伤.
• 早期发现和干预对于治疗至关重要.
• 目前用于发作检测的EEG分析方法通常耗时,需要手动超参数调整.

研究的目的:

• 开发基于脑电图 (EEG) 的自动发作检测模型.
• 使用火焰优化 (MFO) 优化检测模型.
• 为了应对小样本和单通道EEG数据的挑战.

主要方法:

• 提出了对EEG信号的数据增强技术.
• 利用火焰优化 (MFO) 调整一维卷积神经网络 (1D-CNN) 的超参数.
• 使用软max分类器进行EEG分类.

主要成果:

• 该模型证明了从波恩数据集中分类五类EEG数据的可行性,包括健康状态,脑前和脑后状态.
• 经过MFO优化的1D-CNN模型超过了其他先进的优化算法,如PSO,GA和GWO.
• 实现了对EEG信号的准确分类,以检测发作.

结论:

• 拟议的MFO优化的1D-CNN模型为发作检测提供了一种高效和自动的方法.
• 该模型可以集成到实时发作检测系统的临床应用中.
• 该研究强调了MFO在增强生物医学信号处理深度学习模型方面的潜力.