对的EEG检测和识别模型基于双重注意力机制
Zhentao Huang1,2, Yuyao Yang1, Yahong Ma3
1School of Electronic Information and Xi'an Key Laboratory of High Precision Industrial Intelligent Vision Measurement Technology, Xijing University, Xi'an, 710123, China.
Scientific reports
|March 20, 2025
概括
使用电脑电图 (EEG) 信号进行自动发作检测,通过具有双重注意力机制 (STFFDA) 的空间时间特征融合EEG识别模型得到了改进. 这种新的方法在不进行大量数据预处理的情况下实现了高精度,有助于更快的诊断和更好的患者结果.
科学领域:
- 临床神经学 临床神经学
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
背景情况:
- 通过电脑电图 (EEG) 信号自动检测发作可以加速的诊断,使及时治疗和改善患者的生活质量.
- 目前用于EEG分析的深度学习模型,如卷积神经网络 (CNN) 和长短期记忆网络 (LSTM),需要广泛的数据预处理和特征提取.
- 现有的CNN与全球依赖性作斗争,LSTM面临诸如长序列中的消失梯度等挑战,限制了它们的有效性.
研究的目的:
- 引入一种创新的EEG识别模型,即带有双重注意力机制的空间时间特征融合EEG识别模型 (STFFDA).
- 开发一种能够从原始EEG信号直接解释状态的模型,绕过传统预处理和特征提取的需求.
- 提高临床神经病学中自动发作检测的准确性和效率.
主要方法:
- 开发了带有双重注意力机制的空间时间特征融合EEG识别模型 (STFFDA),这是一个多道框架.
- 实施了从原始EEG信号直接解释状态,消除了手动数据预处理和特征提取.
- 在时空特征融合框架内利用双重注意力机制来捕捉复杂的信号依赖性.
主要成果:
- 该STFFDA模型实现了高准确率:95.18% (CHB-MIT) 和77.65% (波恩大学) 在一次性验证测试中.
- 十倍交叉验证测试的准确率为92.42% (CHB-MIT) 和67.24% (波恩大学).
- 通过通过准确的发作检测而没有大量的预处理来加速诊断和改善患者预后的显著潜力.
结论:
- STFFDA模型在使用EEG信号的自动发作检测方面提供了有前途的进步.
- 该模型处理原始EEG数据的能力直接简化了诊断工作流程,并减少了计算开销.
- 通过STFFDA实现的高精度突出了其临床应用的潜力,导致更快的诊断和改善管理患者的结果.
