通过创新的视觉信号分析,探索神经科学疾病检测的新视野
Nisreen Said Amer1, Samir Brahim Belhaouari2
1Division of Information and Computing Technology, College of Science and Engineering, Hamad Bin Khalifa University, 34110, Doha, Qatar. niam27832@hbku.edu.qa.
Scientific reports
|February 20, 2024
概括
这项研究引入了一种新的前向-后向利叶变换 (FBFT) 用于可视化脑电图 (EEG) 信号. 它使用深度学习来准确地分类大脑疾病,改善诊断和患者护理.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 脑部疾病是全球死亡的主要原因.
- 电脑电图 (EEG) 分析对于诊断至关重要,但由于信号的复杂性而具有挑战性.
- 对EEG信号的准确解释对于有效的医学诊断至关重要.
研究的目的:
- 开发一种新的时间频率 (TF) 变换,用于可视化复杂的EEG信号.
- 为医疗专业人员和深度学习算法增强EEG数据的解释性.
- 通过先进的信号处理和机器学习,提高大脑疾病分类的准确性和效率.
主要方法:
- 提出了一种新的时间频率 (TF) 变换:前向向后里埃变换 (FBFT).
- 利用卷积神经网络 (CNN) 来进行特征提取和TF图像的分类.
- 引入了"裸眼"分类,整合了领域知识和基于平均相关系数 (mCC) 的频道选择方法.
主要成果:
- 在基于CNN的分类中取得了高准确率: 99.82% (),95.91% (阿尔茨海默病),85.1% (声),100% (精神压力).
- 经过证明的"裸眼"分类准确率:78.6% (),71.9% (AD),82.7% (声),91.0% (精神压力).
- 通过基于mCC的通道选择,提高了分类准确性.
结论:
- 该FBFT方法显著改善了EEG信号的可视化和解释.
- 基于CNN的FBFT分类为诊断各种大脑疾病提供了强大的工具.
- 这项研究弥合了图像分类和临床视觉解释之间的差距,推动了神经科学和患者护理.
