对特征可解释性在发病检测中的解卷网络的应用
Sihao Shao1, Yu Zhou2, Ruiheng Wu3
1School of Microelectronics, Tianjin University, Tianjin, China.
Frontiers in neuroscience
|February 10, 2025
概括
一个新的深度学习模型通过分析道贡献来增强从头皮脑电图 (EEG) 数据中的检测. 这种新的方法提高了患者发作识别的准确性和可解释性.
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:
- 头皮脑电图 (EEG) 对的诊断至关重要.
- 当前的自动发作检测算法往往忽视了个别道的贡献.
- 完全卷积网络 (FCN) 提供可解释性,但在发病检测中未得到充分利用.
研究的目的:
- 开发一种新的深度学习模型,以改善患者独立的检测.
- 为了提高自动发作检测算法的解释性.
- 评估不同EEG通道在发作检测中的贡献.
主要方法:
- 开发了一个新的卷积神经网络 (CNN) 模型,将挤压和刺激 (SE) 模块与FCN架构集成.
- 该模型的患者独立检测性能使用CHB-MIT数据集进行了评估.
- 通过将SE模块替换为Inception,ResNet和CBAM模块进行了比较分析.
主要成果:
- 与其他配置相比,拟议的SE-FCN模型表现出卓越的性能,稳定性和可靠性.
- 在CHB-MIT数据集上获得了82.7%的G-Mean灵敏度和特异性.
- 量化道贡献,确定FZ,CZ,PZ,FT9,FT10和T8作为发作检测的关键大脑区域.
结论:
- 新的SE-FCN算法为自动检测提供了一个准确和可解释的解决方案.
- 该研究强调了考虑个人道贡献的重要性,以进行可靠的扣押识别.
- 研究结果提供了有关发作关键脑部区域的见解,有助于临床解释.
