基于轻量级倒置剩余注意网络的发作检测
Hongbin Lv1, Yongfeng Zhang1, Tiantian Xiao1
1School of Information Science and Engineering, Shandong Normal University, Jinan 250358, P. R. China.
International journal of neural systems
|May 31, 2024
概括
一个新的轻量级发作检测模型,轻量级倒置残留注意网络 (LRAN),提供准确和快速的脑电图 (EEG) 分析. 这种高效的模型以较少的参数实现了高精度,改善了的诊断和治疗.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 准确的发作检测对于患者的护理至关重要.
- 目前的脑电图 (EEG) 发作检测模型通常是计算密集的.
- 需要有效和轻量级的发作检测方法,考虑到EEG信号的关键特征.
研究的目的:
- 开发一种基于EEG的轻量级发作检测模型.
- 为了增强特征提取和EEG信号中的歧视.
- 提高发作发作检测的效率和准确性.
主要方法:
- 提出了一个轻量级的倒置残留注意网络 (LRAN) 用于EEG发作检测.
- 使用四级倒置剩余移动块 (iRMB) 进行层次特征提取.
- 整合了卷积块注意模块 (CBAM),以专注于突出通道和空间信息.
主要成果:
- 在基于细分的检测中达到99.25%的准确性,在基于事件的实体内检测中达到0.36/h的错误检测率.
- 在对象间检测中获得了84.32%的准确性.
- 在计算上,LRAN模型具有25.86M MACs和0.57M参数的计算效率.
结论:
- 拟议的LRAN模型为基于EEG的发作检测提供了一种轻量级且有效的解决方案.
- LRAN展示了高精度和效率,优于现有的复杂模型.
- 这种模型有可能在的诊断和治疗中发挥重要作用.
