从使用连续波形变换基于深度卷积神经网络模型的EEG信号来诊断
Fırat Dişli1, Mehmet Gedikpınar1, Hüseyin Fırat2
1Department of Electrical and Electronic Engineering, Faculty of Technology, Firat University, 23000 Elazig, Turkey.
Diagnostics (Basel, Switzerland)
|January 11, 2025
概括
这项研究引入了一种新的深度学习模型,用于使用电脑电图 (EEG) 图像自动诊断. 开发的系统实现了高精度,为神经病学家提供了一个有前途的工具.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 是一种常见的神经系统疾病,导致发作,需要可靠的诊断工具.
- 由于发作的不可预测性质,自动诊断系统至关重要.
- 脑电图 (EEG) 信号分析是关键,深度学习提供了先进的功能.
研究的目的:
- 开发一种使用新型深度学习方法的自动诊断系统.
- 为了利用连续波波变换和深度卷积神经网络 (DCNNs) 进行EEG分析.
- 为了提高诊断准确性和发病检测的效率.
主要方法:
- 脑电图信号被用连续波形变换转换成图像.
- 图像被连接为一个DCNN模型的单个输入.
- 一个DCNN接受了诊断的培训和评估.
主要成果:
- 该DCNN模型实现了高性能指标:95.99%的准确性,94.27%的灵敏性,97.29%的特异性和96.34%的精度.
- 对比分析显示,相对于现有方法,性能优于现有方法.
- 图像连接技术在DCNN输入中被证明是有效的.
结论:
- 拟议的DCNN模型与图像连接提供了一种新且有效的诊断方法.
- 这种方法消除了对额外分类器或特征选择的需求.
- 该系统为支持神经病学家在诊断中提供了一个有价值的工具,并且可以适应其他数据集.
更多相关视频
09:16Use of a Wireless Video-EEG System to Monitor Epileptiform Discharges Following Lateral Fluid-Percussion Induced Traumatic Brain Injury
Published on: June 21, 2019
25.5K
11:54Simultaneous Video-EEG-ECG Monitoring to Identify Neurocardiac Dysfunction in Mouse Models of Epilepsy
Published on: January 29, 2018
25.3K
