使用注意深度多视图网络进行可解释的自动抓捕检测
Aref Einizade1, Samaneh Nasiri2, Mohsen Mozafari1
1Department of Electrical Engineering, Sharif University of Technology, Tehran, Iran.
Biomedical signal processing and control
|July 11, 2025
概括
这项研究引入了一个新的深度学习模型,fAttNet,用于更准确和可解释的从电脑电图 (EEG) 信号中检测发作. 该模型通过动态加权不同的数据视图和拒绝文物来提高性能.
科学领域:
- 神经科学和生物医学工程
- 医疗保健中的人工智能
背景情况:
- 手动脑电图 (EEG) 分析用于发作检测是劳动密集型的,并且存在变化.
- 脑电图信号经常被噪音和文物破坏,使得精确的发作识别变得复杂.
- 现有的多视图发作检测系统缺乏动态加权以获得最佳功能贡献.
研究的目的:
- 开发一个可解释的深度学习模型,用于增强发作检测.
- 为应对多视图发作检测系统中动态重量分配的挑战.
- 为了提高从杂的EEG数据中检测发作的准确性和可靠性.
主要方法:
- 提出了融合专注的深度多视图网络 (fAttNet),包括时间多通道EEG,波束包分解 (WPD) 和手工工程功能.
- 实施了文物拒绝方法来过非大脑信号噪声.
- 使用注意力机制来动态加权不同的数据视图.
主要成果:
- fAttNet模型在普大学医院 (TUH) 发作数据库上实现了性能改进.
- 与最先进的方法相比,精度从0.82增加到0.86,F1得分从0.78提高到0.81.
- 该模型展示了可解释性,帮助临床医生识别受影响的大脑区域.
结论:
- 拟议的fAttNet为使用EEG检测发作提供了更准确,更易于解释的解决方案.
- 动态权重和文物拒绝显著提高了检测性能.
- fAttNet的解释性支持管理中的临床决策.
