结合数据增强和深度学习,改善发病检测
Yandong Ru1,2, Zheng Wei3, Gaoyang An3
1School of Information Engineering, Zhejiang Ocean University, Zhoushan, China.
Frontiers in neurology
|April 18, 2024
概括
这项研究结合了数据增强和深度学习,以使用电脑电图 (EEG) 信号改善的检测. 拟议的方法显著提高了准确性,为临床应用提供了有价值的参考.
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:
- 电脑电图 (EEG) 信号分析对于的检测至关重要.
- 过度装配是深度学习模型中的一个挑战,因为EEG数据有限.
研究的目的:
- 解决发病检测深度学习模型中的过度拟合问题.
- 通过使用EEG信号来提高发病检测的准确性和稳定性.
主要方法:
- 利用对抗和混合数据增强 (AMDA) 来增加训练样本.
- 开发了一种具有注意力机制的单维卷积神经网络和封闭反复单元 (AM-1D CNN-GRU) 模型.
主要成果:
- 随着增强数据的使用,发病检测性能显著提高.
- 获得的精度,灵敏度和AUC分别为96.06%,95.48%和0.9637.
- 与非增强数据相比,所有绩效指标都增加了6.2%以上.
结论:
- 拟议的AMDA和AM-1D CNN-GRU模型增强了发作检测的准确性和稳定性.
- 这些发现为自动检测系统的临床应用提供了宝贵的参考.
