引入基于区域的聚合,用于处理深度学习模型中不同数量的EEG通道
Thomas Tveitstøl1,2, Mats Tveter1,2, Ana S Pérez T1,2
1Department of Neurology, Oslo University Hospital, Oslo, Norway.
Frontiers in neuroinformatics
|February 14, 2024
概括
一种新的基于区域的聚合 (RBP) 技术使人工智能 (AI) 深度学习模型适应不同的脑电图 (EEG) 通道数,优于零填充和匹配插值方法.
科学领域:
- 神经科学是一个神经科学.
- 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:
- 对EEG数据的深度学习 (DL) 模型面临的挑战是适应不同数量的EEG通道.
- 硬件限制限制了DL模型的临床可用性和可扩展性,当培训和部署之间道数量不同时.
- 需要灵活的方法来整合DL模型与各种EEG硬件配置.
研究的目的:
- 在DL模型中引入基于区域的聚合 (RBP),这是一种用于处理可变数量的EEG通道的新技术.
- 评估RBP在维护不同EEG通道配置的分类性能方面的有效性.
- 为了比较RBP与零填充和球形螺纹插曲等传统方法.
主要方法:
- 电磁波电路组装分为不同的区域,每个区域内的频道被合并为一个单一的区域代表.
- 编辑分割和合并过程以各种区域配置重复,以尽量减少信息丢失.
- 使用EEG数据进行性别分类作为测试案例,模型在129个频道上接受训练,并在32,65和129个频道版本中进行测试.
主要成果:
- 基于区域的聚合 (RBP) 在所有测试的频道配置中实现了高的曲线下面面积 (AUC) 值 (例如,32频道的93.34%,65频道的93.66%,129频道的94.68%).
- 在所有通道计数中,RBP的性能与球状线插曲相比较.
- 零填充导致AUC值明显较低,相比于RBP和球形线插曲.
结论:
- 基于区域的聚合 (RBP) 能够有效地处理可变数量的EEG通道,提供与球形螺纹插曲相匹配的性能.
- 在深度学习模型中,RBP在EEG通道数适应方面表现出高于零填充的优异性能.
- RBP是提高DL模型在跨数据集EEG研究中的可扩展性和临床适用性的有希望的方法.
