使用功率对功率交叉频率合分析与深度学习网络对缺席发作的分类

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:

• 高频振荡是组织的关键生物标志物.
• 交叉频率合 (CFC) 揭示了复杂的大脑节奏组织.
• 电源与电源合 (PPC) 是一个重要的,但在扣押分类中未充分利用的CFC措施.

研究的目的:

• 研究PPC在使用头皮EEG对缺席发作进行分类时的有用性.
• 开发和评估使用深度学习的自动化分类系统.

主要方法:

• 利用了来自寺大学医院的12名患者的94次缺席发作的EEG数据.
• 使用EEGLAB计算在2-120 Hz频率之间的对式PPC.
• 在CFC矩阵上训练了一种堆叠的稀疏自编码器 (SSAE),用于抓获分类.

主要成果:

• SSAE模型实现了93.1%的灵敏度,99.5%的特异性和96.8%的整体准确性.
• 该模型成功地区分了在培训中不包括的扣押和背景EEG段.

结论:

• PPC是准确扣押分类的相关特征.
• 将PPC与SSAE深度学习相结合,提供了一种有效的方法,用于在头皮EEG中自动检测缺席发作.