多模特特征融合与多头自我注意力用于性脑电图信号

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 精确的脑电图 (EEG) 信号分类对于的诊断和治疗至关重要.
• 现有的单模特征提取方法难以处理多种分类任务,限制了诊断性能.
• 需要先进的方法来有效地整合来自不同EEG信号模式的信息.

研究的目的:

• 开发和评估一种多模式特征融合 (MMFF) 方法,用于增强性脑电图信号分类.
• 提高诊断的准确性和稳定性,特别是在复杂的多分类场景中.
• 利用先进的机器学习技术,对EEG数据进行更全面的分析.

主要方法:

• 使用内核主要组件分析提取时间域特征.
• 通过短时间里埃变换提取的频域特征.
• 使用样本来计算非线性动态特征.
• 综合了这三种模式的功能,使用多头自我注意力机制进行交互式学习和注意力加重训练.
• 通过结合值向量来融合特征,保存时间,光谱和非线性信息.

主要成果:

• 拟议的货币货币基金基金方法在五类性脑电图分类任务中实现了92.76 ± 1.64%的分类准确度.
• 多头自我注意力机制有效地促进了多模式特征的融合.
• 该方法成功选了更多具有代表性的特征,提高了提取精度.

结论:

• 货币货币基金基金方法为的诊断和治疗提供了一种高效和新的方法.
• 通过自我注意整合多模式特征显著改善了性脑电图信号的分类.
• 这种方法对推进自动检测和管理系统具有前景.