通过尖端的神经网络,通过高效和可通用的跨患者发作检测
Zongpeng Zhang1, Mingqing Xiao2, Taoyun Ji3
1Department of Biostatistics, School of Public Health, Peking University, Beijing, China.
Frontiers in neuroscience
|January 25, 2024
概括
尖端神经网络 (SNN) 在发作检测方面表现有前途,与人工神经网络的性能相匹配或超过. 拟议的基于EEG的SNN (EESNN) 为临床应用提供了高性能,低功耗的解决方案.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 是一种全球性的慢性疾病,影响着全世界数以百万计的人.
- 电脑电图 (EEG) 是的主要诊断工具.
- 目前的自动发作检测方法很少使用尖端神经网络 (SNN).
研究的目的:
- 探索SNNs在跨患者发作检测中的有效性.
- 提出并评估基于EEG的SNN (EESNN) 模型,以改进发作检测.
- 在此背景下,与人工神经网络 (ANN) 相比,评估SNN的能源效率.
主要方法:
- 开发了一个基于EEG的尖端神经网络 (EESNN),采用反复的尖端卷积结构.
- 对各种SNN结构,培训方法和时间设置进行了广泛的评估.
- 对SNN与ANN的能源消耗进行了理论估计.
主要成果:
- 在跨患者的发作检测方面,SNN实现了与最先进的ANN相美或更好的性能.
- 拟议的EESNN模型显示了利用EEG信号中的时间和生物特征的潜力.
- 与ANN相比,EESNN模型估计理论上能耗减少数个数量级.
结论:
- 在开发高性能,低功率的神经形态系统以检测发作方面,SNN具有显著的潜力.
- EESNN 模型为推进现实世界,低功耗临床应用提供了一个有希望的途径.
- 这项研究扩大了SNNs在神经疾病检测中的应用范围.
