一个基于CNN-Bi转换器的增强框架,通过神经心脏数据融合检测神经系统疾病
1School of Computing Science and Engineering, VIT Bhopal University, Bhopal, Madhya Pradesh, India. kavita.rawat2018@vitbhopal.ac.in.
Scientific reports
|April 3, 2025
概括
这项研究介绍了 CardioNeuroFusionNet,这是一个集大脑和心脏信号的深度学习模型,用于准确预测精神疾病. 它实现了高精度,为诊断复杂的神经和精神疾病提供了一种新的方法.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 传统的精神疾病诊断依赖于主观症状,对准确的评估构成挑战.
- 现有的方法经常使用单一的数据模式,限制了全面的分析.
研究的目的:
- 开发一种创新的多式联络深度学习框架,用于预测精神疾病.
- 整合神经心脏数据融合以提高诊断准确度.
主要方法:
- 使用多式深度学习框架 CardioNeuroFusionNet,集成磁脑图 (MEG),电脑图 (EEG) 和心电图 (ECG) 信号.
- 采用集成的卷积神经网络-双变压器 (CNN-Bi-Transformer) 架构,用于同时处理和融合各种数据模式.
- 验证了深度BCI头皮数据库和Kymata Atlas数据集的框架.
主要成果:
- 实现了高预测准确度 (98.54%) 和灵敏度 (97.77%) 的心理健康状况,包括神经和精神疾病.
- 与现有的人工智能技术相比,表现出优越的性能,平均精度提高了2.72%.
- 神经心脏数据融合为神经疾病中大脑与心脏相互作用提供了重要的见解.
结论:
- 拟议的 CardioNeuroFusionNet 框架为心理疾病预测提供了一个强大的和可通用的方法.
- 神经心脏数据融合提高了诊断能力,为个性化治疗策略铺平了道路.
- 这种多模式方法克服了单模式研究和不那么先进的算法的局限性.
