一种基于多维特征提取和双分支超图卷积网络的发病检测方法
Jiacen Liu1,2,3, Yong Yang1,2,4, Feng Li5
1Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences, Chongqing, China.
Frontiers in physiology
|April 29, 2024
概括
这项研究引入了一种新的超图卷积模型,用于精确检测发作. 这种先进的方法通过分析复杂的脑电图 (EEG) 信号模式来提高准确性,优于现有的技术.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 医疗信号处理 医疗信号处理
背景情况:
- 是一种神经疾病,其特征是神经异常放电,导致各种发作表现和复杂的发病.
- 目前的发作检测方法在不足的特征提取和对数据噪声的敏感性方面扎.
- 了解大脑网络的变化对于准确的检测和揭示疾病机制至关重要.
研究的目的:
- 提出一种高精度和强大的模型,用于使用超图卷积检测发作.
- 通过增强特征提取和提高模型稳定性来解决现有方法的局限性.
- 探索电脑电图 (EEG) 信号中的更高阶特征和内在的共同点.
主要方法:
- 一种新的双分支并行方法,将Conv-LSTM用于时空特征和功率光谱密度 (PSD) 用于频域特征.
- 超图卷积的应用,以捕捉提取的EEG特征中的更高阶关系和内在的共同点.
- 集体学习被用于双分支超图卷积,用于最终的发病检测.
主要成果:
- 该模型在TUH数据集上实现了高性能,并进行了一次遗漏交叉验证:准确率为96.9%,F1得分为97.3%,精度为98.2%,回忆率为96.7%.
- 一般化性能在CHB-MIT头皮EEG数据集上得到验证,准确率为94.4%,F1得分为95.1%,精度为95.8%,回忆率为93.9%.
- 与文献中现有的方法相比,拟议的模型表现出优越的性能.
结论:
- 开发的超图卷积模型在高精度和强大的发作检测方面取得了重大进展.
- 该方法有效地提取了丰富的多维特征,并揭示了EEG信号的内在共同点.
- 该模型的强大性能和概括能力为管理中的临床应用提供了宝贵的参考.
