视觉变压器和CNN的多流特征融合,通过EEG信号精确检测发作

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 使用脑电图 (EEG) 自动发作检测有助于的诊断.
• 现有的深度学习模型与本地EEG特征和全球时间序列依赖性作斗争.

研究的目的:

• 开发一个先进的发病检测模型,CMFViT.
• 通过有效分析复杂的EEG信号来增强发作检测.

主要方法:

• 拟议的CMFViT模型集成卷积神经网络 (CNN) 和视觉转换器 (ViT).
• 采用多流特征融合 (MSFF) 策略,将CNN和ViT功能结合起来.
• 使用可调的Q因子波段转换器 (TQWT) 进行EEG信号时间频率图像转换.

主要成果:

• 在CHB-MIT数据集 (单个主题) 上实现了98.85%的分类准确性.
• 在使用Kaggle病数据集的跨主体实验中表现出强的表现.
• 废除研究证实了CNN和ViT整合的协同效益,提高了准确性和概括性.

结论:

• CMFViT提供了一种高效准确的解决方案,用于单个和跨主体的发作检测.
• 该模型推进了针对的复杂EEG信号分析.
• 为开发实时,准确的发作检测系统提供了基础.