基于多通道EEG的神经系统疾病的分类,使用交叉依赖的时空空间交互网络
Changxu Dong1, Zejing Zhang1, Dengdi Sun2
1Key Laboratory of Intelligent Computing & Signal Processing (ICSP), Ministry of Education, School of Artificial Intelligence, Hefei, 230601, Anhui, China.
Computer methods and programs in biomedicine
|August 2, 2025
概括
这项研究引入了一种用于脑电图 (EEG) 分析的新型交叉依赖时空交互网络 (CD-STIN),改进了神经系统疾病的分类. CD-STIN框架实现了高精度,证明了其在分析复杂的大脑数据方面的有效性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 变压器显示出基于脑电图 (EEG) 的神经系统疾病分类的前景.
- 一个主要的限制是难以在EEG数据中捕捉跨维度依赖相互作用.
- 对大脑节点状态和全球邻关联在道上的等级编码具有挑战性.
研究的目的:
- 引入一个新的跨依赖空间时间交互网络 (CD-STIN) 框架.
- 通过解决跨维度依赖,通过使用EEG数据来增强神经系统疾病的分类.
- 为了提高对等级大脑节点状态和通道邻近性的明确捕获.
主要方法:
- 采用时间智能卷积神经网络 (CNN) 来进行局部特征提取.
- 利用图形处理层进行道信息和拓连接的空间聚合.
- 应用了多头自我注意 (MSA) 层来捕捉大脑节点之间的远程时间依赖.
主要成果:
- 在CHB-MIT数据集上,CD-STIN框架获得了高F1分数98.54%.
- 该框架在DEAP数据集上获得了98.84%的F1评分.
- 这些结果表明基于EEG的神经系统疾病分类的表现优越.
结论:
- 拟议的CD-STIN框架在基于EEG的神经系统疾病分类方面表现出卓越的表现.
- 广泛的实验证实了CD-STIN框架在不同数据集上的概括能力.
- 这种新的方法有效地解决了捕获EEG信号交叉维度依赖性的局限性.
