一个轻量级的卷积神经网络改革模型,用于有效检测发作
Haozhou Cui1,2, Xiangwen Zhong1,2, Haotian Li1,2
1School of Integrated Circuits, Shandong University, Jinan 250100, P. R. China.
International journal of neural systems
|September 30, 2024
概括
一个新的卷积神经网络-改造器 (CNN-Reformer) 模型可以从EEG数据中实时检测发作. 这种高效的系统显著提高了治疗的诊断速度和准确性.
科学领域:
- 生物医学工程 生物医学工程
- 计算神经科学是一种神经科学.
- 人工智能的人工智能
背景情况:
- 发作需要及时诊断和治疗,因此自动检测系统对于临床实践至关重要.
- 基于脑电图 (EEG) 的检测现有方法经常面临计算效率和长期记录的实时性能方面的挑战.
研究的目的:
- 开发一种名为Convolutional Neural Network-Reformer (CNN-Reformer) 的新型轻型模型,可从长期EEG信号中可靠地实时自动检测发作.
- 提高基于EEG的发作检测系统的计算效率和实时功能.
主要方法:
- 拟议的CNN-Reformer模型集成了一个数据重塑 (DR) 模块和一个有效的注意力和集中 (EAC) 模块.
- 电脑脑脑电图信号采用离散波段变换 (DWT) 进行预处理,用于过,其次是DR用于特征压缩和EAC用于特征提取和分类.
- 应用后处理技术,包括移动窗口平均值,值和领数方法,以尽量减少错误检测.
主要成果:
- 在CHB-MIT数据集中,该模型实现了基于细分的高性能 (灵敏度97.57%,准确度98.09%,特异性98.11%) 和基于事件的性能 (灵敏度96.81%,FDR 0.27/h,延迟17.81s).
- 在SH-SDU数据集中,基于细分的结果包括94.51%的灵敏度,92.83%的特异性和92.81%的准确性,基于事件的灵敏度为94.11%.
- 该模型表现出极高的计算速度,在平均1.92秒内处理1小时的多通道EEG.
结论:
- 美国有线电视新闻网 (CNN-Reformer) 模型为实时发作检测提供了一个计算高效和高性能解决方案.
- 它在降低计算负载的同时保持准确性的能力突出了其在管理中的实际临床应用潜力.
