一个ResNet-LSTM混合模型用于预测发作使用预训练模型与监督对比学习

科学领域:

• 计算神经科学是一种神经科学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 由于脑电图 (EEG) 数据的复杂性,发作带来了重大挑战.
• 准确的发作预测对于改善患者的生活质量和治疗疗效至关重要.

研究的目的:

• 开发和验证一种新的深度学习框架,用于预测发作.
• 利用监督对比学习和混合ResNet-LSTM模型来提高预测准确度.

主要方法:

• 用短时间里埃转换 (STFT) 将EEG数据转换为光谱图像.
• 在增强数据上使用监督对比学习进行剩余网络 (ResNet) 的预训练.
• 开发一种混合模型,将预训练的ResNet和长短期记忆 (LSTM) 结合起来,用于预测.

主要成果:

• 拟议的方法在CHB-MIT (91.90%的准确度,89.64%的灵敏度) 和SNUH (83.37%的准确度,79.89%的灵敏度) 数据集上实现了高精度和灵敏度.
• 与传统的预测方法相比,表现优越.
• 交叉验证证实了该模型的概括能力.

结论:

• 混合ResNet-LSTM模型与监督对比学习提供了一个有希望的方法,用于准确预测发作.
• 基于STFT的光谱图表示有效地捕获来自EEG信号的关键时间频率信息.
• 这种方法有可能在管理中得到现实世界的临床应用.