EEGDiR:通过Retentive网络进行时间信息存储和全球建模的脑电图识别网络
Bin Wang1, Fei Deng1, Peifan Jiang2
1College of Computer Science and Cyber Security, Chengdu University of Technology, Chengdu, 629100, Sichuan, China.
Computers in biology and medicine
|May 29, 2024
概括
这项研究引入了一种新的深度学习方法,使用Retentive网络来消除电脑电图 (EEG) 信号的噪音. 这种方法增强了大脑活动分析,并有助于诊断神经系统疾病.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 脑电图 (EEG) 信号对于大脑研究和临床诊断至关重要.
- 脑电图信号中的噪音污染妨碍了对大脑活动的准确分析.
- 传统的denoising方法往往不如先进的深度学习技术有效.
研究的目的:
- 调整 Retentive 网络架构,最初用于大型语言模型 (LLM),以实现有效的 EEG 信号消噪.
- 通过提高EEG信号质量,提高大脑活动分析和神经障碍诊断的精度.
- 在Retentive网络中引入一种新的信号嵌入技术,用于处理单维EEG数据.
主要方法:
- 部署用于EEG报警的Retentive网络架构.
- 开发一种信号嵌入策略,以适应EEG信号用于Retentive网络.
- 使用Retentive网络的时间结构对准时间序列EEG数据.
- 创建一个标准化,预处理的数据集,以促进深度学习研究在EEG无声化.
主要成果:
- 成功应用了EEG信号消噪的Retentive网络.
- 由于噪音减少,在分析大脑活动方面有明显的改善.
- 提高神经疾病诊断的准确性.
- 提供了一个有价值的,准备好使用的数据集,用于未来的深度学习研究在这个领域.
结论:
- Retentive网络采用了一种新的嵌入技术,提供了一种强大的新方法来消除EEG噪音.
- 这种方法显著提高了EEG数据的质量,有利于神经科学和临床应用.
- 标准化数据集加速了对EEG分析和神经障碍诊断的深度学习的进展.
