以进化转移优化为基础的方法,用于使用大脑信号进行自动的ictal模式识别

科学领域:

• 神经科学是一个神经科学.
• 计算智能是一种计算智能.
• 生物医学工程 生物医学工程

背景情况:

• 从大脑信号中手动检测发作 (ictal模式) 是耗时且易发生错误的.
• 现有的自动化方法由于学科间的变化而与特征工程作斗争.
• 单一目标优化方法为ictal模式检测提供了次优结果.

研究的目的:

• 开发一种新的专家系统,用于自动检测大脑信号中的ictal模式.
• 采用进化型多目标优化 (EMO) 来同时最小化功能和错误率.
• 在临床应用中提高发作检测的可靠性和效率.

主要方法:

• 使用非主导排序遗传算法II (NSGA-II) 进行进化多目标优化 (EMO).
• 从相位变换中提取的输入特征,单数值和波束包变换系数.
• 实施进化转移优化 (ETO) 来确定最佳特征集,并使用通用回归神经网络 (GRNN) 来进行分类.

主要成果:

• 拟议的EMO方法显著减少了超过50%的特征集大小.
• 在最小的计算时间 (<0.5秒) 实现了在ictal模式检测的高准确性.
• 证明了针对临床应用的优化功能集的可靠性.

结论:

• 这种新型专家系统有效地自动化了EEG数据中的ictal模式识别.
• EMO方法提供了一种可靠和有效的诊断和治疗方法.
• 建议在不同的数据集进行进一步验证,以探索限制和潜力.