独立频道注意力和跨主体数据生成用于基于EEG的患者独立发作检测,使用ConvLSTM

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 是一种慢性神经系统疾病,需要准确的诊断和管理.
• 头皮脑电图 (EEG) 是监测的关键非侵入性工具.
• 目前的视觉EEG解释是耗时的,并且受患者间的变化影响.

研究的目的:

• 开发一个强大的深度学习模型,用于跨主体发作检测.
• 为了应对EEG分析中患者间变异性的挑战.
• 提高自动检测的效率和准确性.

主要方法:

• 采用了跨学科数据生成的多阶段培训策略.
• 构建了一个具有注意模块的卷积长短期记忆 (ConvLSTM) 网络.
• 该模型在CHB-MIT公共数据集上进行了评估,用于基于细分和基于事件的发作检测.

主要成果:

• 基于细分的检测实现了0.7957的精度和0.7824的F1得分.
• 基于事件的检测显示了0.9660的召回率,错误报警率为3.07/h.
• 拟议的模型显著优于现有的最先进的深度学习模型在未见的主题上.

结论:

• 拟议的多阶段培训策略和ConvLSTM网络与注意力有效地改善了跨主题的发作检测.
• 这种方法为自动化,可靠的诊断和管理提供了一个有希望的解决方案.
• 该模型在CHB-MIT数据集上的表现验证了其在现实世界临床应用中的潜力.