一个改进的基于GBSO-TAENN的EEG信号分类模型用于发作检测

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.
• 医疗信息学 医疗信息学

背景情况:

• 通过EEG信号检测发作对于诊断和管理至关重要.
• 现有的自动化系统面临复杂性,错误和检测效率等挑战.
• 机器学习提供了潜力,但与复杂的算法和训练速度作斗争.

研究的目的:

• 开发一个自动发作检测系统,以提高性能和降低复杂性.
• 整合先进的信号处理和机器学习技术,用于准确的EEG分析.
• 解决发作检测现有的优化和机器学习方法的局限性.

主要方法:

• 基于波段的有限线性毛线过 (FLHF) 用于信号预处理.
• 用于特征提取的碎形维度 (FD) 分析.
• 草生物灵感优化 (GBSO) 为最佳的特征选择.
• 时间激活扩展神经网络 (TAENN) 用于发作分类.

主要成果:

• 取得了99.6%的发作检测性能.
• 报告的f-测量值为99%,G-平均值为98.9%.
• 与以前的技术相比,在准确性方面显著改善,降低了系统复杂性,并减少了时间消耗.

结论:

• 拟议的FLHF,FD,GBSO和TAENN模型有效地提高了发作检测的准确性.
• 综合方法为基于EEG的扣押分类提供了更有效,更简单的解决方案.
• 这种方法对治疗的增强诊断工具充满希望.