使用基于的特征和多模型深度学习方法自动诊断发作

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 是一种常见的神经系统疾病,其特点是经常性发作.
• 发作带来了包括伤害和死亡在内的风险,需要采取预测措施.
• 电脑电图 (EEG) 分析为预测发作提供了一条途径.

研究的目的:

• 开发一种自动化方法来使用EEG数据诊断儿童的发作.
• 为了比较机器学习 (ML) 和深度学习 (DL) 模型在预测方面的有效性.

主要方法:

• 从EEG数据中提取时间域特征 (赫斯特指数,萨利斯,增强变,振幅感知变).
• 在第一个会话中使用ML模型 (SVM,KNN,DT) 进行分类EEG数据.
• 在第二次会议中使用DL模型 (GRU,LSTM,BiLSTM RNN) 进行分类EEG数据.

主要成果:

• 深度学习模型,特别是GRU,LSTM和BiLSTM RNN,表现出卓越的性能.
• 时间域和特征与RNN分类器的融合提高了分类准确性.
• 该研究成功地将儿童的发作与正常EEG模式区分开来.

结论:

• 循环神经网络 (RNN) 深度学习分类器,特别是GRU,LSTM和BiLSTM,对于自动发现发作是有效的.
• 结合时间域和基于的特征,显著提高了DL模型在预测中的性能.
• 这种方法有望为患者开发早期预警系统.