使用EfficientNet-B0和SVM预测发作:EEG分析的深度学习方法

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 症管理在及时干预方面存在挑战.
• 准确的发作预测可以显著改善患者的治疗结果.
• 现有的方法需要提高稳定性和适应性.

研究的目的:

• 开发一种新的,强大的预测框架.
• 将深度学习 (EfficientNet-B0 CNN) 与集体机器学习 (SVM) 结合起来.
• 利用EEG信号的光谱和空间特征来改善预测.

主要方法:

• 使用基于EfficientNet-B0.0的卷积神经网络 (CNN).
• 采用了一组6个支持向量机 (SVM) 配有投票机制.
• 从EEG信号中提取了正常化的短时间里叶变换 (STFT) 和通道相关性特征.

主要成果:

• 实现了高精度 (10分钟达到96.12%,20分钟达到94.89%,30分钟达到94.21%).
• 显示高灵敏度 (10分钟的95.21%,20分钟的93.98%,30分钟的93.55%).
• 在CHB-MITEEG数据集上验证,与最先进的方法相比显示出稳定性和适应性.

结论:

• 拟议的框架为预测发作提供了一个强大的,计算效率高的解决方案.
• EfficientNet-B0和SVM组合的结合提高了预测可靠性.
• 这种方法具有显著的潜力,可以通过及时干预来改善的管理.