在EEG信号中检测基于焦虑的发作,使用模糊特征和调整优化的LSTM

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 的诊断依赖于电脑电图 (EEG) 信号.
• 由于有限的数据,焦虑诱导的发作 (ESs) 存在诊断挑战.
• 脑电图信号模式的变化标志着基于焦虑的发作.

研究的目的:

• 使用数据增强合成基于焦虑的新型EEG信号.
• 评估机器学习算法用于检测焦虑诱导的ESs.
• 为了解决基于焦虑的EEG信号数据的稀缺性.

主要方法:

• 将随机数据增强 (RDA) 应用于波恩EEG数据集,以创建合成焦虑发作信号.
• 使用了三种算法来检测焦虑ES:模糊的C-平均值-粒子群优化-长期短期记忆 (FCM-PS-LSTM),粒子群优化-长期短期记忆 (PS-LSTM) 和优化LSTM (PO-LSTM).
• 处理增强的EEG信号以识别基于焦虑的发作模式.

主要成果:

• 该PS-LSTM算法实现了98.5%的最高检测精度.
• FCM-PS-LSTM表现出高精度,约为98%的高精度.
• PO-LSTM显示检测准确率约为96%.

结论:

• 数据增强有效地合成了基于焦虑的EEG信号,用于研究.
• 先进的机器学习模型,特别是PS-LSTM,在从EEG检测焦虑诱导的发作方面显示出显著的希望.
• 开发的方法可以帮助克服诊断焦虑相关的数据限制.