使用编码器-解码器网络的多模式近经验融合,以从EEG信号中识别多种神经系统疾病.

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:

• 诊断神经系统疾病,如,帕金森氏症,精神分裂症,中风和阿尔茨海默氏症是具有挑战性的,因为复杂的大脑活动.
• 传统的方法在综合分析各种数据源方面遇到了困难.
• 多模式数据和神经网络为改善诊断准确性提供了潜力.

研究的目的:

• 提出一种新的方法,将非破坏性评估 (NDE) 数据与脑电图 (EEG) 信号相结合.
• 利用先进的神经网络来加强神经疾病的诊断.
• 识别和关联跨异构的NDE数据集共享的潜在特征.

主要方法:

• 脑电图信号被转化为二维扫描图像,使用波形信号处理.
• 使用编码器-解码器神经网络从EEG和NDE数据中提取和关联特征.
• 该方法在包含EEG和NDE数据的数据集上进行了评估,用于识别神经障碍.

主要成果:

• 观察到诊断准确性和效率的显著改善.
• 编码器-解码器网络成功地在异构的NDE数据集中识别了共享的潜在特征.
• 多模体NDE数据与EEG信号的融合使得多种神经系统疾病的强大自动识别成为可能.

结论:

• 这种方法代表了神经系统疾病诊断的实质性进展.
• 将各种近期经验数据与EEG信号相结合,可提高多种神经疾病的准确性和效率.
• 这种多模式数据融合方法有可能彻底改变神经学诊断实践.