从EEG信号中检测神经退行性疾病的多类检测,使用轻量级LSTM神经网络
Laura Falaschetti1, Giorgio Biagetti1, Michele Alessandrini1
1Department of Information Engineering, Università Politecnica delle Marche, Via Brecce Bianche 12, I-60131 Ancona, Italy.
Sensors (Basel, Switzerland)
|October 26, 2024
概括
机器学习使用脑电图 (EEG) 数据准确检测神经退行性疾病. 长期短期记忆网络在分类五种疾病方面实现了98%的准确性,有助于早期诊断.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 神经退行性疾病构成了日益严重的全球健康挑战,影响数百万.
- 电脑电图 (EEG) 是一种有价值的诊断工具,但产生大量数据集.
- 机器学习 (ML) 为分析复杂的EEG数据和早期疾病检测提供了解决方案.
研究的目的:
- 开发和评估一种机器学习模型,用于使用EEG检测多类神经退行性疾病.
- 评估长期短期记忆 (LSTM) 神经网络在分类特定神经退行性疾病患者的EEG数据中的有效性.
主要方法:
- 获取来自五种神经退行性疾病和对照组的受试者EEG记录的定制数据集.
- 设计和训练具有不同单位数量的长短期记忆 (LSTM) 神经网络.
- 严格的数据预处理以准备EEG信号进行分析.
主要成果:
- 在EEG数据的多类分类中达到高达98%的准确性.
- 成功地区分了不同的神经退行性疾病类别,包括对照组.
- 开发的模型表现出高性能,而不需要过多的计算资源.
结论:
- 基于LSTM的神经网络是通过EEG数据准确,自动分类神经退行性疾病的有效工具.
- 这种方法显示出早期诊断和改善患者结果的巨大潜力.
- 该方法为分析复杂的神经数据提供了计算效率高的解决方案.
关键词:
阿尔茨海默氏症 (AD) 是一种疾病.这是一个EEGEEGEEGEEGEEGEEGEEG.这是分类分类的分类.深度学习是一种深度学习.电脑脑电图 (EEG) 是一种电脑电图.特性提取 特性提取长时间的短期记忆 (LSTM)多个类别的分类分类.神经退行性疾病的神经退行性疾病经常性神经网络 (RNN)
