使用卷积神经网络和单导电图信号,以高准确度检测和预测发作的一种方法
Mostafa Ghaempour1, Kourosh Hassanli1, Ebrahim Abiri1
1Department of Electrical Engineering, Shiraz University of Technology, Shiraz, Iran.
Biomedical physics & engineering express
|February 15, 2024
概括
这项研究引入了使用心电图 (ECG) 信号的深度学习算法,以提前1-2分钟检测和预测发作. 新的卷积神经网络 (CNN) 方法实现了高精度的发作检测和预测.
科学领域:
- 医疗技术 医疗技术 医学技术
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 症管理在及时发现和预测发作方面面临挑战.
- 目前的方法通常依赖于电脑电图 (EEG) 信号,限制了可移植性.
- 预测发作可以进行主动干预和改善患者护理.
研究的目的:
- 开发一种深度学习算法,用于检测和预测焦点发作.
- 使用单导电心电图 (ECG) 信号进行预测,从而实现可穿戴应用.
- 使用卷积神经网络 (CNN) 实现早期预测 (1-2分钟前).
主要方法:
- 一个39层的卷积神经网络 (CNN) 设计用于发作的检测和预测.
- 对单线心电图信号进行了最小的预处理,从而消除了手动特征提取.
- 美国有线电视新闻网 (CNN) 接受了标记的心电图数据的训练,以了解发作分类的相关特征.
主要成果:
- 拟议的CNN模型在检测发作时实现了98.84%的准确性.
- 该模型在发生之前预测发作的准确性达到了94.29%.
- 电脑心电图信号分析在发作检测和预测方面证明是有效的.
结论:
- 单导电图信号是对EEG用于监测的可行和有前途的替代方案.
- 开发的深度学习算法有助于为患者创建便携式可穿戴系统.
- 这种方法在实时发作检测和预测能力方面取得了重大进展.
更多相关视频
06:28Author Spotlight: Unraveling Seizure Dynamics and Novel Therapeutics for Status Epilepticus Using CMOS High-Density Microelectrode Array Systems
Published on: September 27, 2024
2.3K
10:22Interictal High Frequency Oscillations Detected with Simultaneous Magnetoencephalography and Electroencephalography as Biomarker of Pediatric Epilepsy
Published on: December 6, 2016
20.3K
