RIHANet:一个基于残留的Inception与混合注意网络用于使用EEG信号检测发作

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:

• 机器学习有助于临床治疗选择,越来越关注使用电脑电图 (EEG) 数据自动检测.
• 准确的识别模型需要EEG数据来有效捕获频道,频率和时间信息.
• 现有的方法在表示复杂的EEG特征以进行可靠的发作检测方面面临挑战.

研究的目的:

• 提出一个新的深度学习网络,RIHANet,用于从EEG信号中准确地自动检测.
• 提高EEG数据的时间频率表示质量,以改善特征提取.
• 开发一种能够学习多尺度时空特征和道间关系的模型.

主要方法:

• 经验模式分解和短时间里埃转换 (EMD-STFT) 用于高级EEG数据处理.
• 一个新的基于残留的Inception模块,用于学习本地和全球多尺度的时空特征.
• 一种混合注意力机制,以捕捉EEG信号中的通道,子空间和全球范围内的全面关系.

主要成果:

• 拟议的RIHANet在四个公共EEG数据集中实现了在自动发作检测方面卓越的性能.
• 在EMD-STFT数据处理显著提高了时间频率表示的质量.
• 混合注意力机制有效地整合了多视角信息,以提高检测准确度.

结论:

• RIHANet在使用EEG的自动发作检测方面展示了最先进的性能.
• 整合EMD-STFT和混合注意力机制为分析复杂的EEG数据提供了一个强大的方法.
• 这种方法具有显著的潜力,可以改善的临床诊断和患者管理.