基于EEG的发病检测使用CNN-SVM和DNN-SVM,通过PCA减少特征维度

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 医疗保健中的机器学习

背景情况:

• 从脑电图 (EEG) 信号中检测对于诊断和治疗至关重要.
• 传统的机器学习方法通常需要广泛的功能工程.
• 深度学习模型提供了自动特征提取的潜力,但可能是计算密集的.

研究的目的:

• 评估混合深度学习和机器学习模型,以准确检测.
• 使用主要组件分析 (PCA) 评估特征维度减少的影响.
• 为了比较卷积神经网络支持矢量机 (CNN-SVM) 和深度神经网络支持矢量机 (DNN-SVM) 架构的性能.

主要方法:

• 实现混合CNN-SVM和DNN-SVM模型.
• 主要组件分析 (PCA) 的应用,以减少特征的维度.
• 对两个基准EEG数据集的模型评估:发作识别和BONN.

主要成果:

• 该CNN-SVM-PCA模型实现了高精度:在发作识别数据集上达到99.42%,在BONN数据集上达到99.96%.
• 配合PCA的DNN-SVM模型也显示了更好的准确性,特别是在BONN数据集 (+3.07%).
• 在PCA和SVM集成之前,个别的CNN和DNN模型表现出强的基线性能.

结论:

• 通过PCA增强的混合CNN-SVM和DNN-SVM模型对于强大的发病检测非常有效.
• 特征维度减小在优化模型性能和概括方面发挥着重要作用.
• 这些先进的计算方法有望改善的临床诊断.