DCSENets:可解释的深度学习用于患者独立的发作分类,使用基于EEG的增强光谱图可视化
Sunday Timothy Aboyeji1, Ijaz Ahmad2, Xin Wang2
1CAS Key Laboratory of Human-Machine Intelligence Synergy Systems, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, Guangdong 518055, China; University of Chinese Academy of Sciences, Beijing 100049, China; Guangdong-Hong Kong-Macao Joint Laboratory of Human-Machine Intelligence-Synergy Systems, Shenzhen, Guangdong 518055, China.
这项研究引入了一种新的算法,使用缩函数与STFT光谱图来改进EEG记录中的发作检测. 该方法提高了神经病学家的诊断准确性和解释性,有助于计算机辅助诊断.
科学领域:
- 医疗成像和信号处理.
- 医疗保健中的人工智能
- 神经学和的研究研究.
背景情况:
- 在EEG信号中检测活动对神经病学家来说是耗时的.
- 目前的计算机辅助诊断系统面临的挑战是由于EEG信号的复杂性和患者的变化.
- 短时间里叶变换 (STFT) 提供时间变频分析,但在时间频率分辨率方面存在局限性.
研究的目的:
- 开发一种新的STFT光谱构造算法,用于高分辨率EEG频道提取.
- 提高计算机辅助发作诊断的准确性和可解释性.
- 使用深度学习模型实现患者独立的发作分类.
主要方法:
- 从CHB-MIT EEG数据集中提取扣押和非扣押部分.
- 将缩函数 (汉恩,高斯函数) 应用于STFT光谱图,以最大限度地减少边缘效应.
- 扩展卷积挤压和激发网络 (DCSENets) 的实施,用于分类的离开一个患者的交叉验证.
- 整合Grad CAM以实现深度学习模型的可解释性.
主要成果:
- 拟议的DCSENets实现了约87%的平均准确性,带有和没有缩函数.
- 绩效指标表明大多数患者的训练测试样本分布相似.
- 高度CAM可视化提高了深度学习模型决策过程的透明度.
结论:
- 新的STFT光谱结构与缩函数改善了发作诊断的准确性.
- DCSENets模型为神经病学家提供了一个透明和可解释的工具.
- 这种方法提供了增强的可视化谱图和可靠的计算机辅助诊断系统.
更多相关视频
10:23Equipment Setup and Artifact Removal for Simultaneous Electroencephalogram and Functional Magnetic Resonance Imaging for Clinical Review in Epilepsy
Published on: June 23, 2023
04:13Computer-based Multitaper Spectrogram Program for Electroencephalographic Data
Published on: November 13, 2019
