基于路径签名和Bi-LSTM网络与注意力机制的发作检测

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 的诊断依赖于脑电图 (EEG) 分析,但手动解释是耗时的.
• 基于EEG的发作检测现有的深度学习模型往往忽略了道间的时间关系.

研究的目的:

• 开发一种新的自动检测方法,其中包括道依赖.
• 通过先进的信号处理和机器学习,提高诊断的准确性和效率.

主要方法:

• 利用路径签名算法提取特征,捕捉EEG通道之间的动态依赖关系.
• 采用双向长期短期记忆 (Bi-LSTM) 神经网络,具有分析时间依赖性的注意力机制.
• 通过交叉验证,对公共 (CHB-MIT,TUEP) 和私人医院EEG数据库的方法进行验证.

主要成果:

• 实现了高平均准确率:99.09% (CHB-MIT),95.60% (TUEP 250Hz),99.87% (TUEP 256Hz) 和99.40% (私人数据集) 的数据.
• 在所有测试的数据集上,与现有方法相比,表现出优越的性能.
• 在跨患者验证实验中,在患者之间展示了强度.

结论:

• 拟议的路径签名和Bi-LSTM与注意力方法有效地捕获EEG信号中的道间和时间依赖性,以准确检测.
• 这种新的方法在自动发作检测方面取得了重大进展,促进了及时的诊断和治疗.
• 该方法的稳定性和高精度表明其具有临床应用潜力.