序列图形卷积网络和基于DeepRNN的混合框架用于从EEG信号检测发作

科学领域:

• 医疗信息学 医疗信息学
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 是一种严重的脑部疾病,其特点是由于大脑电活动异常而导致经常性发作.
• 电脑电图 (EEG) 信号对于发作识别至关重要,但它们的低幅度和非静止性质对传统的深度学习模型构成挑战.
• 现有的深度学习 (DL) 模型与生理记录的不规则结构作斗争,阻碍了一致的诊断结果.

研究的目的:

• 开发一种新的混合深度学习框架,用于准确可靠的自动化发作检测.
• 解决现有的DL模型在处理EEG信号的复杂性方面的局限性.
• 改善诊断的一致性和管理中的结果.

主要方法:

• 提出了一个新的混合框架,结合了顺序图卷积网络 (SGCN) 和深度循环神经网络 (DeepRNN).
• DeepRNN是通过将一个封闭的循环单元 (GRU) 与传统的RNN融合而开发的,以克服消失梯度的问题.
• 从原始EEG信号中提取了线长,自共变量,自相关性和周期图等特征,并在时间频域中处理SGCN输入.

主要成果:

• 拟议的SGCN-DeepRNN模型在CHB-MIT和TUH数据集上实现了99.007%的准确性.
• 该模型在发作检测方面表现出高灵敏度和特异性.
• 该框架有效地从EEG信号中提取空间和时间信息,从而提高性能.

结论:

• SGCN-DeepRNN混合框架代表了自动发作检测的重大进步.
• 该模型的性能优于现有的深度学习方法,提供了更准确,更可靠的诊断工具.
• 开发的框架有望改善的诊断和患者护理.