通过对卷积神经网络和视觉转换器的互补集成来有效检测发作
Jiaqi Wang1, Haotian Li1, Chuanyu Li1
1School of Integrated Circuits, Shandong University, Jinan 250100, P. R. China.
International journal of neural systems
|March 31, 2025
概括
这项研究介绍了CNN-ViT,这是一个用于使用电脑电图 (EEG) 信号准确,实时检测发作的新框架. 该系统有效地捕捉了局部和远程EEG特征,大大提高了临床应用的检测性能.
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:
- 是一种常见的神经疾病,需要准确的,实时的发作检测来诊断和治疗.
- 现有的自动发作检测系统难以分析电脑电图 (EEG) 信号中的局部和远程特征.
- 当前方法的局限性阻碍了对患者的精确诊断和及时干预.
研究的目的:
- 开发一种先进的,端到端的发作检测框架.
- 为了提高自动发作检测系统的准确性和实时功能.
- 为了应对捕捉EEG信号中局部和远程依赖性的挑战.
主要方法:
- 提出了一个新的CNN-ViT框架,将卷积神经网络 (CNN) 和视觉转换器 (ViT) 集成在一起.
- 该CNN组件捕获本地EEG特征,而ViT分析远程依赖.
- 原始EEG信号通过CNN-ViT进行过,细分和处理,包括全球最大聚合和后处理以减少工件.
主要成果:
- 在CHB-MITEEG数据集上,CNN-ViT模型实现了高灵敏度 (99.34%基于细分,99.70%基于事件).
- 在SH-SDU数据集上,该方法显示了99.86%的基于细分的灵敏度和100%的基于事件的灵敏度.
- 处理1小时的EEG数据只需要3.07秒,这表明了高效的实时性能.
结论:
- CNN-ViT框架在的自动发作检测方面取得了重大进展.
- 该模型能够捕获各种EEG信号特征,确保高精度和高效率.
- 这种方法显示了临床实时发作检测应用的巨大潜力.
