微型卷积神经网络与监督对比学习用于发作预测
Yongfeng Zhang1, Hailing Feng1, Shuai Wang1
1School of Information Science and Engineering, Shandong Normal University, Jinan 250358, P. R. China.
International journal of neural systems
|April 28, 2025
概括
新的语和三重网络使用电脑脑电图 (EEG) 改进了自动预测. 这些模型提供了更高的准确性和更简单的结构,使患者受益.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 使用脑电图 (EEG) 自动预测发作对于患者的安全和减少焦虑至关重要.
- 目前的方法面临性能瓶,患者特异性疗效差异和复杂的模型结构.
研究的目的:
- 引入新的语网络 (SiaNet) 和三重网络 (TriNet) 模型,以改善预测.
- 通过开发计算效率高,准确的模型来解决现有方法的局限性.
主要方法:
- 应用于预处理的EEG数据的短时间里埃转换 (STFT).
- 利用微小的卷积神经网络与监督对比学习来训练SiaNet和TriNet.
- 为训练构建数据组,最大限度地减少类内样本间隔,最大限度地减少类间间隔.
主要成果:
- 在CHB-MIT和锡耶纳数据集上取得了有前途的预测结果,涉及35名患者.
- 证明SiaNet和TriNet模型的最小参数数量只有19.351K.
- 拟议的网络通过共享权重和跨多个分支机构的对比学习有效地学习.
结论:
- SiaNet和TriNet在自动预测技术方面取得了重大进展.
- 与现有方法相比,这些模型提供了一种更有效和潜在的更可通用的方法.
- 这些发现表明,开发实用和有效的管理工具是一个有希望的方向.
