在EEG上使用时空特征融合预测发作
Dezan Ji1,2, Landi He1,2, Xingchen Dong1,2
1School of Integrated Circuits, Shandong University, Jinan 250100, P. R. China.
International journal of neural systems
|May 21, 2024
概括
这项研究引入了一种新的图形注意力网络 (GAT) 和时间卷积网络 (TCN) 模型,用于使用脑电图 (EEG) 空间时间特征准确预测发作.
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) 对于的分析至关重要.
- 目前的卷积神经网络 (CNN) 方法难以捕捉多通道EEG的时空特征以预测发作.
- 有效的预先状态识别是具有挑战性的.
研究的目的:
- 为预测发作提出一个端到端的模型.
- 从多通道EEG中提取空间关系和时间相关性.
- 通过整合图表注意网络 (GAT) 和时间卷积网络 (TCN) 来提高预测的准确性.
主要方法:
- 开发了一个结合GAT和TCN的端到端模型.
- 低通过的EEG信号通过GAT进行处理,以提取空间特征.
- 采用TCN捕捉时间特征,使空间时间相关性获取成为可能.
- 该模型在CHB-MIT数据库上进行了评估.
主要成果:
- 基于细分的准确性:98.71%
- 基于细分市场的特异性:98.35%
- 基于细分的灵敏度:99.07%
- 基于细分的F1得分:98.71%
- 基于事件的敏感性:97.03%
- 错误的阳性率 (FPR):0.03 /小时
结论:
- 拟议的GAT-TCN模型在预测方面取得了卓越的性能.
- 脑电图的时空特征的融合提高了预测的准确性.
- 该模型消除了手动功能工程的需要.
更多相关视频
10:22Interictal High Frequency Oscillations Detected with Simultaneous Magnetoencephalography and Electroencephalography as Biomarker of Pediatric Epilepsy
Published on: December 6, 2016
20.3K
09:57Author Spotlight: Advancing Pediatric Epilepsy Surgery in Children Through Novel Biomarkers and Enhanced Localization
Published on: September 20, 2024
2.6K
