MutaPT:一个多任务预训练的变压器,用于使用EEG信号对意识障碍状态进行分类

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 深度学习 (DL) 显示出通过电脑电图 (EEG) 信号对意识障碍 (DOC) 的分类有前途.
• 有限的EEG数据集大小阻碍了基于DL的DOC分类模型的性能.
• 跨数据集的数据分布转移进一步挑战模型的泛化.

研究的目的:

• 通过使用EEG信号来增强DOC状态的基于DL的分类.
• 为了应对有限的EEG数据量所带来的挑战,并提高模型的概括性.
• 引入新的多任务预培训变压器模型 (MutaPT) 和交叉分布自主监督 (CDS) 预培训策略.

主要方法:

• 集成多个开源EEG数据集以增加数据量.
• 开发了一种名为 MutaPT 的多任务预训练变压器模型.
• 实施交叉分布自主监督 (CDS) 预培训策略,以改善跨数据集的概括性.

主要成果:

• MutaPT模型与CDS策略相结合,在分类DOC状态方面表现出卓越的表现.
• 在DOC患者的EEG数据集上的实验验证证证了拟议方法的有效性.
• 在DOC的EEG分类任务中,MutaPT的表现优于现有的几个DL模型.

结论:

• 拟议的MutaPT模型和CDS预培训策略有效地提高了基于EEG的DOC状态分类.
• 结合多个数据集并采用先进的预训练技术,可以克服神经疾病DL中的数据限制.
• 这种方法为改善意识障碍的诊断工具提供了一个有希望的方向.