LSTA-CNN:使用EEG进行ASD诊断的轻量级时空注意力基础卷积神经网络

科学领域:

• 神经科学是一个神经科学.
• 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:

• 电脑电图 (EEG) 是一种具有成本效益的工具,用于识别自闭症谱系障碍 (ASD).
• 深度学习方法越来越多地用于分析复杂的EEG信号.
• 脑电图信号含有丰富的时间和空间信息,对于准确的诊断至关重要.

研究的目的:

• 提出一个基于注意力的轻量级时空卷积神经网络 (LSTA-CNN) 用于使用EEG进行ASD诊断.
• 从EEG记录中有效提取和整合时空特征.

主要方法:

• 开发了一种轻量级的基于时空注意力的卷积神经网络 (LSTA-CNN).
• 利用多尺度的时间和空间卷积层来实现多样化的特征表示.
• 引入了一种新的时空注意力机制,用于联合特征集成.

主要成果:

• 与现有的深度学习模型相比,LSTA-CNN在自收集的EEG数据集上取得了更高的分类性能.
• 拟议的模型显示了显著较少的参数.
• LSTA-CNN的推断时间缩短,表明它的轻量级性质.

结论:

• LSTA-CNN是一种高效和高效的深度学习模型,用于从EEG数据中诊断ASD.
• 它的轻量级架构具有实际临床应用的巨大潜力.
• 该模型能够整合时空特征,从而提高EEG分析的诊断准确性.