一种混合CNN-Bi-LSTM模型,具有功能融合,用于精确的发作发作检测
Xiaoshuai Cao1, Shaojie Zheng2, Jincan Zhang2
1The First Affiliated Hospital, and College of Clinical Medicine of Henan University of Science and Technology, Luoyang, China.
BMC medical informatics and decision making
|January 6, 2025
概括
这项研究引入了一种新的深度学习方法,用于使用电脑电图 (EEG) 信号准确检测. 这种先进的方法显著改善了的诊断和患者护理,通过准确和快速的发作识别.
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:
- 的诊断和治疗面临着挑战,需要快速,准确,非侵入性的发作检测方法.
- 电脑电图 (EEG) 信号分析的进步显示出对的识别有希望.
研究的目的:
- 提出一种新的混合深度学习方法,以使用EEG信号有效检测发作.
- 提高发作识别的准确性和速度,以改善管理.
主要方法:
- 一个五级的离散波形变换 (DWT) 分解了EEG信号以提取特征.
- 支持矢量机器-递归特征消除 (SVM-RFE) 选择了最佳特征.
- 卷积神经网络-双向长期短期记忆 (CNN-Bi-LSTM) 分类了发作状态.
主要成果:
- 在二进制分类任务 (波恩和新德里数据集) 上实现了100%的准确性,灵敏性,特异性,精度和F1分数.
- 在三类分类任务 (波恩数据集) 中表现出色,准确率为96.19%.
- 在CHB-MIT数据集上验证,平均准确度为98.43%,所有指标的高性能,优于现有研究.
结论:
- 拟议的混合深度学习方法在发作检测方面非常有效.
- 提高发作检测准确度可以显著提高的诊断和治疗.
- 这一进步为量身定制的治疗计划,及时干预和改善患者生活质量提供了潜力.
