脑电图功率谱的参数化和适应性通道选择,以实现半监督性预测

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:

• 发作预测算法通常需要高密度脑电图 (EEG) 和广泛的标记数据,这给日常患者监测和临床应用带来了挑战.
• 由于需要众多EEG通道和大量的培训数据,目前的方法是繁的,这要求科医生花费大量时间.

研究的目的:

• 开发一种适应性通道选择策略,以减少用于预测所需的EEG通道数量.
• 实施一个半监督的深度学习模型,以最大限度地减少标记数据的数量,以准确预测发作.
• 创建一个计算效率高且实用的系统,用于日常监测.

主要方法:

• 基于EEG功率光谱参数化的自适应性通道选择模块,用于识别与有关的通道.
• 一个半监督的深度学习模型,集成生成对抗网络 (GAN) 和双向长期短期记忆 (BiLSTM) 网络.
• 对CHB-MIT和锡耶纳病数据集的评估.

主要成果:

• 拟议的方法仅使用4个EEG通道实现了高性能,在CHB-MIT数据集上,曲线下的面积 (AUC) 为93.15%,在锡耶纳数据集上为88.98%.
• 适应性道选择方法显著减少了模型参数和训练时间.
• 证明了出色的预测准确度,数据要求降低.

结论:

• 适应性道选择与半监督学习相结合,为轻量级和高效的预测系统提供了基础.
• 这种方法提高了每日监测的实用性,可能改善患者的生活质量.
• 开发的方法解决了当前预测技术的关键局限性.