使用EEG频段和深度学习分类器的非线性测量来检测发作

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 是一种神经系统疾病,其特点是发作,影响患者的生活.
• 脑电图 (EEG) 通过记录大脑活动,对诊断至关重要.
• 传统的脑电图发作检测很费力;需要自动化方法.

研究的目的:

• 开发一种先进的自动化系统,通过EEG信号检测发作.
• 与传统技术相比,提高发作检测的效率和准确性.

主要方法:

• 提出了一种新的特征提取技术,利用相关EEG频段的非线性特征.
• 将EEG信号分解成部分,并计算非线性特征向量.
• 应用机器学习 (ML) 和深度学习 (DL) 分类器用于发作检测.

主要成果:

• 在波恩数据集上对正常与ictalEEG信号进行分类,获得了99.7%的准确性.
• 在波恩数据集上,在区分ictal与interictalEEG信号方面获得了98.8%的准确性.
• 在Hauz Khas数据集上达到100%的性能,超过了一些现有的方法.

结论:

• 拟议的非线性特征提取方法与ML/DL分类器相结合,为自动发作检测提供了一个高度准确和高效的方法.
• 这种方法显示出在的诊断和管理中临床应用的巨大潜力.
• 结果与基于EEG的发作检测当前最先进的技术相比或优于.