一个修改过的变压器网络用于使用EEG信号检测发作

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:

• 发作严重损害了患者的身体功能和日常生活.
• 自动发作检测对于及时的临床干预和患者管理至关重要.
• 当前的深度学习模型在有效地从脑电图 (EEG) 信号中提取本地和全球特征方面面临挑战.

研究的目的:

• 提出一个增强的变压器网络,Inresformer,用于改进自动发作检测.
• 在变压器架构中利用Inception和Residual网络来实现更丰富的特征表示.
• 增强模型的非线性表示能力,以便更准确地识别.

主要方法:

• 使用离散波波变换 (DWT) 来将EEG信号分解成三个子频段.
• 使用Co-MixUp方法来解决数据不平衡问题.
• 开发了Inresformer网络,包括Inception,Residual和修改后的Feedforward层,用于发作检测.
• 实现了基于多尺度EEG子信号的最终扣押识别的歧视性融合.

主要成果:

• 在波恩数据集上实现了100%的准确性.
• 在CHB-MIT数据集上达到98.03%的平均准确性.
• 在CHB-MIT数据集中显示出高灵敏度 (95.65%) 和特异性 (98.57%).
• 在发作检测性能方面表现优于现有的深度学习网络.

结论:

• 该Inresformer网络提供了一个有前途的方法,用于自动检测发作.
• 拟议的方法显示出临床研究和诊断应用的巨大潜力.
• 增强的特征提取和非线性表示有助于竞争性的抓获识别性能.