SQI-DOANet:基于脑电图的深度神经网络,用于估计信号质量指数和麻醉深度
Rui Yu1, Zhuhuang Zhou1, Meng Xu2
1Department of Biomedical Engineering, College of Chemistry and Life Science, Beijing University of Technology, Beijing 100124, People's Republic of China.
Journal of neural engineering
|July 19, 2024
概括
这项研究介绍了SQI-DOANet,这是一种深度学习模型,通过评估脑电图 (EEG) 信号质量和分析EEG数据,准确估计麻醉深度 (DOA),优于现有方法.
科学领域:
- 麻醉学 麻醉学
- 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:
- 监测麻醉深度 (DOA) 在手术期间至关重要.
- 电脑电图 (EEG) 信号容易受到干扰,这挑战了准确的DOA评估.
- 可靠估计EEG噪声和DOA仍然是一个重大挑战.
研究的目的:
- 为准确的DOA估计开发一个深度学习模型.
- 为了应对手术期间噪音高的脑电图信号所带来的挑战.
- 使用人工智能提高DOA监控的可靠性.
主要方法:
- 提出了一个新的深度学习架构,SQI-DOANet,包括信号质量指数网络 (SQINet) 和麻醉深度网络 (DOANet).
- SQINet使用浅层卷积神经网络进行EEG信号质量评估.
- DOANet 包含特征提取,用于多通道和多尺度信息融合的双重注意模块,以及用于时间信息提取的关闭多层感知器.
主要成果:
- DOANet模型实现了0.88的皮尔森相关系数,双光谱指数 (BIS) 和4.81.8的平均绝对误差 (MAE).
- 综合SQI-DOANet模型显示,与BIS的平均皮尔森相关系数为0.82,MAE为5.66.
- 在DOA估计准确度方面,SQI-DOANet的表现优于其他三种方法.
结论:
- 该SQI-DOANet模型提供了一个有前途的新深度学习方法,用于精确的DOA估计.
- 这种方法有效地处理噪音高的EEG信号,增强外科监测.
- 开发的模型有可能成为临床麻醉学的宝贵工具.


