使用基于多模式双流网络的神经网络模型检测发作的检测方法

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 的诊断严重依赖于电脑电图 (EEG) 信号分析.
• 原始EEG信号往往缺乏足够的可识别特征以进行准确的检测.
• 提取多式联运特征对于提高诊断准确性至关重要.

研究的目的:

• 开发一个先进的神经网络模型,以改善发作检测.
• 加强从EEG信号中提取可识别的特征.
• 为应对在EEG数据中识别多式联络特征的挑战.

主要方法:

• 提出了一个多式联络双流神经网络.
• 提取差异,振幅和相频谱特征以形成2D向量.
• 采用混合网络,结合1D卷积,2D卷积和LSTM进行空间和时间特征提取.
• 集成了一个频道注意模块,以专注于与发作相关的功能.

主要成果:

• 拟议的模型在波恩数据集上达到99.69%的高准确率,在新德里数据集上达到97.5%.
• 实验结果验证了该模型在发作检测方面的优越性.
• 混合方法有效地捕获了信号的时间和空间特征.

结论:

• 多式联络双流网络为发作检测提供了卓越的方法.
• 功能工程与先进的神经网络相结合,显著提高了诊断性能.
• 该模型显示了在诊断中临床应用的强大潜力.