一个新的融合框架,结合了嵌入图形基于类的卷积循环注意力网络与基于EEG的帕金森病识别的棕熊优化算法

科学领域:

• 神经学 神经学
• 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:

• 帕金森病的识别 (PDR) 对于及时干预至关重要,但EEG信号噪声和可变性带来了挑战.
• 传统的深度学习方法往往无法捕捉复杂的时间和空间EEG数据依赖性,限制PDR准确性.
• 现有的PDR模型难以准确,需要先进的技术来提高诊断能力.

研究的目的:

• 引入一种新的融合框架,GECR2ANet+BBOA,用于基于EEG的高精度帕金森病识别.
• 克服传统方法在PDR分析噪音和非静止EEG信号方面的局限性.
• 加强对帕金森病的早期检测,提高整体诊断效率.

主要方法:

• 使用WGIF-EEW进行EEG信号预处理,用于消除噪声和计入力.
• 通过IVGG19-GTAN进行特征提取,以捕捉复杂的空间和时间EEG依赖.
• 使用GECR2ANet进行分类,由BBOA优化,以提高帕金森病的识别精度.

主要成果:

• GECR2ANet+BBOA模型实现了卓越的性能,在UNM数据集上达到99.9%的准确性,在UC圣地亚哥数据集上达到99.8%.
• 在两种数据集上都获得了高灵敏度 (99.4%和99.1%) 和F1分数 (99.3%和99.2%),显著优于之前的方法.
• 证明了低误差率 (0.5%) 和快速计算时间 (0.25s),表明临床适用性.

结论:

• 拟议的GECR2ANet+BBOA框架在基于EEG的帕金森病识别方面取得了重大进展.
• 该模型的高精度和效率超过现有方法,有望改善帕金森病的早期检测和诊断.
• 这种方法有可能用于现实世界的临床应用,提高神经系统疾病的诊断精度.