FrAdadelta-CSA:以分数阿达德尔塔驼群算法为基础的特征选择与SpikeGoogle-DenseNet用于发作检测
G Indu Salini1, Sowmy2, T K Sreeja3
1Department of Electronics and Communication Engineering, Noorul Islam Centre for Higher Education, Kumaracoil, Thuckalay, Kanniyakumari, Tamil Nadu 629 180, India.
Computational biology and chemistry
|June 24, 2025
概括
这项研究引入了一种新的深度学习方法,用于使用电脑电图 (EEG) 信号检测发作. 该方法在从经过处理的EEG数据中识别发作时达到高准确度.
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.
- 人工智能在医学中的应用
背景情况:
- 发作是一种常见的神经疾病,与大脑神经元活动异常有关.
- 电脑电图 (EEG) 是的诊断和监测的主要工具.
- 深度学习 (DL) 和信号处理为从EEG数据中检测和分类发作提供了先进的方法.
研究的目的:
- 开发基于深度学习的机制,从EEG信号中准确识别发作.
- 为了预处理EEG信号,使用短时间里埃变换 (STFT) 进行无声化.
- 提取时间域,光谱和统计特征用于发作分类.
主要方法:
- 使用 Fractional Adadelta Chameleon Swarm 算法 (FrAdadelta-CSA) 进行了特征选择.
- 抢劫预测使用了SpikeGoogle-DenseNet,一种混合DL模型.
- 该方法集成了信号处理与先进的DL技术,以提高性能.
主要成果:
- 提出的方法显示了96.2%的高准确率.
- 灵敏度达到了97.3%,表明有效检测发作事件.
- 具体性被记录在94.5%,显示了扣押和非扣押状态之间的强有力的歧视.
结论:
- 开发的DL模型提供了一个高度准确和有效的解决方案,用于从EEG识别发作.
- STFT,FrAdadelta-CSA和SpikeGoogle-DenseNet的结合为管理提供了一个有前途的方法.
- 这项研究有助于推进神经系统疾病的自动发作检测系统.
