基于EEG的实时发作检测方法,使用短时间里埃转换和Google-Net卷积神经网络

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 人工智能在医学中的应用

背景情况:

• 是一种普遍的神经系统疾病,其特点是经常性发作,严重影响患者的生活质量.
• 准确及时发现发作对于有效的管理,诊断和治疗策略至关重要.
• 电脑电图 (EEG) 信号为监测大脑活动和检测发作提供了一种有价值的非侵入性模式.

研究的目的:

• 开发和评估使用EEG信号检测发作的实时系统.
• 利用先进的信号处理和机器学习技术,提高发作检测的准确性和效率.
• 为改善的诊断和临床管理提供一个实用的工具.

主要方法:

• 利用短时间里埃变换 (STFT) 来从EEG信号中提取特征.
• 采用谷歌网络卷积神经网络 (CNN) 架构进行类别.
• 实施了滑动窗技术,用于实时处理EEG数据.

主要成果:

• 在CHB-MIT数据库中获得了97.74%的高分类准确度和98.90%的灵敏度.
• 显示了低的虚假阳性率1.94%,表明强大的发作检测.
• 实时实施在0.02秒内处理EEG情节,从发作开始平均延迟9.85秒.

结论:

• 拟议的STFT和谷歌网CNN方法为实时发作检测提供了一个高度准确和高效的方法.
• 该系统有可能在诊断,监测和治疗患者方面发挥重要作用.
• 实时处理能力和高性能指标表明,它可以用于改善患者护理的临床应用.