从EEG中自动检测,使用具有自我注意层的时间卷积网络.
Leen Huang1, Keying Zhou2,3,4, Siyang Chen1
1Department of Medical Statistics, School of Public Health, Sun Yat-sen University, Guangzhou, 510080, Guangdong, China.
Biomedical engineering online
|June 2, 2024
概括
一个新的时间卷积神经网络与自我注意 (TCN-SA) 模型使用EEG数据准确地检测儿童的. 这种先进的深度学习方法改善了复杂的临床环境中的自动诊断.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 影响全球60%以上的儿童,需要早期诊断和治疗.
- 通过EEG自动检测是至关重要的,但在检查期间不可预测的发作事件挑战了这一点.
- 现有的模型可能会显示由于依赖于扣押特定数据而导致膨胀的性能,这凸显了对强大,普遍适用的解决方案的需求.
研究的目的:
- 在现实世界的临床场景中开发一种通用可用的模型,用于自动检测.
- 解决现有算法的局限性,有风险的人工增强性能指标.
- 提高儿科患者诊断的准确性和可靠性.
主要方法:
- 开发了一种新的时间卷积神经网络与自我注意 (TCN-SA) 模型.
- 该TCN组件从EEG信号中提取时间变量的特征.
- 一个自我注意 (SA) 层优先考虑关键特征,以提高分类准确性.
主要成果:
- TCN-SA模型实现了高精度:95.50%的儿科数据集和97.37% (A和E) / 93.50% (B和E) 的波恩数据集.
- 与其他深度学习架构相比,表现出优越的性能,包括标准的TCN,SA网络和CNN.
- 在定制的儿科数据集和已建立的波恩数据集上验证了有效性.
结论:
- TCN-SA方法是自动检测的高效工具.
- 其经过验证的性能在多样化和复杂的现实世界临床环境中提供了显著的好处.
- 该模型有可能改善的诊断和患者的治疗结果.
