基于EEG的预测使用混合密集网络-ViT网络,注意融合
Shasha Yuan1, Kuiting Yan1, Shihan Wang1
1School of Computer Science, Qufu Normal University, Rizhao 276826, China.
Brain sciences
|August 29, 2024
概括
这项研究引入了一种混合深度学习模型,将DenseNet和Vision Transformer (ViT) 结合起来,用于发作预测. 这种新的方法显著提高了预测准确性,并有助于治疗干预.
科学领域:
- 神经学 神经学
- 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:
- 预测发作对于改善患者的生活质量至关重要.
- 目前的预测方法需要改进以获得更高的精度.
研究的目的:
- 引入一种新的混合深度学习架构,用于发作预测.
- 为了利用DenseNet和Vision Transformer (ViT) 的优势,使用注意力融合层.
主要方法:
- 用短时间里埃变换 (STFT) 预处理EEG信号进行时间频率分析.
- 开发了一种混合DenseNet-ViT模型,具有注意力融合层,用于端到端的预测.
- 评估使用了CHB-MIT数据集和离开一个的交叉验证.
主要成果:
- 拟议的混合模型在预测方面表现出卓越的性能.
- 实现了高精度和低冗余性,表明有效的特征合并.
- 该模型成功地将EEG信号转换为时间频率矩阵进行分析.
结论:
- 结合DenseNet,ViT和注意力机制,显著提高了发作预测能力.
- 开发的模型为患者提供了更精确的治疗干预措施.
- 这种混合深度学习方法为先进的预测提供了一个有希望的方向.


