探索预训练CNN和时间频率方法的潜力,以准确地分类性脑电图:一项比较研究

科学领域:

• *神经科学和生物医学工程
• * 医疗保健中的人工智能

背景情况:

• *精确的脑电图 (EEG) 信号分类对于及时诊断至关重要.
• *现有的方法往往忽略了时间频率数据分析,以优化预训练的框架.
• * 预训练的卷积神经网络 (CNN) 为自动化EEG分析提供了潜力.

研究的目的:

• * 为了比较各种预训练的CNN在症EEG数据分类方面的表现.
• * 评估不同时间频率表示对分类准确性的影响.
• * 调查诸如优化器,学习率和数据通道等参数的影响.

主要方法:

• *利用了五种信号分解算法:连续波形变换 (CWT),实证里埃分解 (EFD),实证模式分解 (EMD),实证波形变换 (EWT) 和变化模式分解 (VMD).
• *使用了预训练的CNN:亚历克斯网,谷歌网,移动网V2,ResNet-18和SqueezeNet.
• *评估的因素包括噪音/无噪声数据,优化器,学习率,单频/双频道,模型大小和伯尔尼-巴塞罗那EEG数据集上的计算时间.

主要成果:

• * 结合MobileNetV2,CWT和Adam优化器与10-4学习率和双数据通道的组合,获得了最佳性能.
• * 达到最佳的灵敏度 (96.06%),特异性 (96.15%),F1得分 (96.08%) 和准确性 (96.10%).
• *研究结果在寺大学数据库中得到验证,证实了模型的稳定性.

结论:

• * 训练有素的CNN显示出开发自动化,强大的诊断系统的巨大潜力.
• *时间频率分析技术和分类器参数调整对于改善性脑电图数据分类是有效的.
• *这项研究为优化临床神经科学中的深度学习方法提供了宝贵的见解.