使用高分辨率宫听力和基于变压器的神经网络进行吞评估
概括
变压器使用高分辨率的宫听力学 (HRCA) 信号有效地分析吞动力学. 这种深度学习方法在检测食道上关口的开放和喉前门的关闭方面达到很高的准确性,优于现有的模型.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 吞异常需要使用视频光学吞研究 (VFSS) 和高分辨率宫听力 (HRCA) 等方法进行准确的评估.
- 深度学习模型,主要是卷积和循环神经网络,越来越多地用于分析从VFSS和HRCA数据中吞动力学.
- 变压器是一种新的深度学习架构,在各种序列对序列任务中表现有前途,但它们在吞分析中的应用尚未得到充分探索.
研究的目的:
- 调查变压器模型在分析HRCA信号的吞动力学方面的有效性.
- 具体评估变压器模型检测食道上关口打开和喉前门关闭的能力.
- 在独立的数据集上评估拟议的变压器网络的概括性.
主要方法:
- 使用高分辨率宫听力学 (HRCA) 信号作为输入数据.
- 开发并实施基于变压器的深度学习网络,用于动力学分析.
- 在一个独立的数据集上测试模型的性能,以评估概括性.
主要成果:
- 变压器网络的平均检测准确度超过了90%的上食道关口的开放和85%的喉前门的关闭.
- 该模型的性能超过了文献中先前报告的混合神经网络的性能.
- 独立测试数据集上的高性能测量表明,该模型对未见的数据具有很强的概括性.
结论:
- 变压器模型非常有效地使用HRCA信号分析吞动力学.
- 拟议的变压器网络与现有的深度学习方法相比,表现出优异的性能和通用性,用于吞评估.
- 这项研究强调了变压器在推进非侵入性吞障碍诊断方面的潜力.
