用多变量代过和卷积神经网络对例行临床脑电图进行分类

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 电脑电图 (EEG) 对神经科学研究至关重要,但对EEG数据的分类仍然具有挑战性.
• 机器学习为EEG分类提供了潜力,但最佳模型和特征提取仍在研究中.
• 从EEG预测大脑年龄是理解神经发育和衰老的关键应用.

研究的目的:

• 调查深度学习模型在脑年龄预测框架内对EEG分类的有效性.
• 为了确定是否分解EEG信号成振荡模式,与原始或过数据相比,可以提高年龄预测的准确性.
• 评估卷积神经网络 (CNN) 与多变量内在模式函数 (MIMFs) 结合用于大脑年龄预测的性能.

主要方法:

• 将卷积神经网络 (CNN) 模型应用于脑电图 (EEG) 时间序列数据.
• 利用多变量内在模式函数 (MIMFs),一种经验模式分解 (EMD) 变体,用于信号分解.
• 在一个大数据集上对该模型进行了测试,该数据集包括1至103岁的个人进行的6540次常规临床EEG扫描.

主要成果:

• 一个没有微调的特设CNN模型证明了EEGs的合理大脑年龄预测.
• 与正规大脑节律 (delta到低gamma) 相比,MIMF分解显著提高了预测性能.
• 该方法实现了平均绝对误差 (MAE) 的13.76±0.33和相关系数的0.64±0.01.

结论:

• 应用于原始EEG的CNN模型,保留时间结构,是EEG分类的有希望的框架.
• 像MIF这样的自适应信号分解方法可以在大脑年龄预测任务中显著提高CNN的性能.
• 这些发现突出了先进的信号处理技术的潜力,与深度学习相结合,用于分析复杂的神经数据.