数字双胞胎用于使用时间重新分配的多同步挤压基于转换的CNN-BiLSTM-注意力机制模型预测EEG发作

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
• 人工智能的人工智能

背景情况:

• 预测发作是大脑疾病分析中的一个具有挑战性的问题.
• 数字双胞胎 (DT) 提供个性化的医疗保健解决方案,需要大量的患者数据和先进的算法,如机器学习 (ML) 和深度学习 (DL).
• 电脑电图 (EEG) 的记录是非静止的,需要先进的时间频率方法来准确预测发作.

研究的目的:

• 开发一个基于数字双胞胎的系统,用于预测发作.
• 利用时间重新分配的多同步挤压转换 (TMSST) 来提取患者特定的EEG特征.
• 利用深度学习模型 (CNN-BiLSTM-Attention) 来对这些特征进行分类,并使预测成为可能.

主要方法:

• 将时间重新分配的多同步压缩转换 (TMSST) 应用于EEG数据以进行高级时间频率分析.
• 从使用TMSST的EEG信号中提取了患者特定的脉冲特征.
• 开发并使用CNN-BiLSTM-Attention深度学习模型,称为"数字双胞胎网络",以学习和分类提取的时间频率符号.
• 验证了CHB-MIT数据集中的22名患者的系统.

主要成果:

• 拟议的"数字双胞胎网络"在预测发作方面取得了99.70%的高准确性.
• 与现有方法相比,该方法显示出更高的性能.
• TMSST有效地捕获了时间EEG行为,CNN-BiLSTM-Attention模型成功地学习了这些签名.

结论:

• 开发的数字双胞胎系统,集成TMSST和CNN-BiLSTM-Attention模型,是基于EEG的发作预测的高效和准确的方法.
• 这种方法对治疗的个性化医疗保健充满希望.
• 这项研究强调了先进的信号处理和深度学习在神经疾病研究中的潜力.