基于一维卷积神经网络的昏迷/脑死亡EEG数据集的分类
Boning Li1, Jianting Cao1,2
1Graduate School of Engineering, Saitama Institute of Technology, Fusaiji 1690, Fukaya, Saitama 3690293 Japan.
Cognitive neurodynamics
|June 3, 2024
概括
这项研究引入了一种新方法,用于预处理脑电图 (EEG) 信号,以诊断脑死亡. 开发的系统准确地使用1D-CNN模型对昏迷和脑死亡患者进行分类,以帮助临床决策.
科学领域:
- 神经科学是一个神经科学.
- 医疗技术 医疗技术 医学技术
- 信号处理 信号处理
背景情况:
- 在临床环境中,脑电图 (EEG) 对于诊断脑死亡至关重要.
- 重症监护室 (ICU) 的环境带来了诸如电磁噪声和镇静剂等挑战,这些噪声和镇静剂可以扭曲EEG信号.
- 准确的EEG解释对于及时和正确的临床判断至关重要.
研究的目的:
- 开发一种高效的EEG信号预处理方法和对昏迷和脑死亡患者的分类系统.
- 在具有挑战性的临床环境中提高基于EEG的诊断的准确性和可靠性.
- 帮助医生做出关于脑死亡的准确判断.
主要方法:
- 基于带通波器和值排斥的方法用于EEG信号预处理.
- 一个单维卷积神经网络 (1D-CNN) 模型被用于分类.
- 该系统在昏迷和脑死亡患者的现实世界临床EEG数据上进行了训练和测试.
主要成果:
- 提出的方法实现了高分类准确性 (99.71%),F1得分 (99.71%) 和召回 (99.51%) 在昏迷和脑死亡患者之间的区别.
- 该系统从噪音较大的临床EEG数据中有效地对信息性大脑活动特征进行了分类.
- 实验结果验证了拟议模型在昏迷/脑死亡EEG信号分类任务中的性能.
结论:
- 该研究提出了一种简单有效的方法,用于预处理和分类EEG信号,以诊断脑死亡.
- 开发的系统证明了在复杂的临床环境中帮助医生诊断的有效性和可靠性.
- 这项工作对构建实用的脑死亡识别系统和选择适当的信号预处理技术具有重大意义.
