适应性的多级阶段感知融合网络用于EEG recognition识别
Yanting Liang1, Jingyuan Liu2, Xinzhou Zhang1
1Department of Nephrology, Shenzhen People's Hospital (The Second Clinical Medical College, Jinan University, The First Affiliated Hospital, Southern University of Science and Technology), Shenzhen, China.
Frontiers in neurology
|August 13, 2025
概括
我们开发了一个可适应的多尺度阶段意识融合网络 (AMS-PAFN),以改善发作检测. 这种新的深度学习模型提高了分析电脑电图 (EEG) 数据的准确性和适应性.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 的检测依赖于电脑电图 (EEG) 分析.
- 目前的深度学习方法在频率适应性,多尺度特征集成和相位对齐方面扎,以准确检测发作.
- 传统方法的手动特征提取是耗时且效率较低的.
研究的目的:
- 引入适应性多尺度阶段意识融合网络 (AMS-PAFN) 以提高基于EEG的发作检测.
- 为了克服现有的深度学习模型中的频率适应性,多尺度特征集成和相位对齐方面的局限性.
- 提高自动发作检测系统的准确性和可靠性.
主要方法:
- 拟议的AMS-PAFN集成了三个新的模块:用于自适应的光谱过的动态频率选择 (DFS),用于捕获多种EEG模式的多尺度特征提取 (MCFE) 和用于时间特征对齐的多尺度阶段感知融合 (MCPA).
- DFS使用Gumbel-SoftMax来优化与有关的频段.
- MCFE采用分层下采样和注意力机制,而MCPA则使用相位敏感权重进行跨尺度同步.
主要成果:
- 在CHB-MIT数据集上,AMS-PAFN实现了最先进的性能,达到98.97%的准确性,99.53%的灵敏性和95.21%的特异性.
- 它比STFTormer显著改进,精度增加了1.58%和特异性增加了2.66%.
- 废弃性研究证实了DFS (提高了6.87%的特异性) 和MCPA (提高了5.54%的跨尺度同步) 的个人贡献.
结论:
- AMS-PAFN显示出在发作发作识别中临床应用的巨大潜力.
- 它对光谱变异性和时空动态的适应性使其适合实时监测和警报系统.
- 该网络为改善管理中的诊断准确性和患者护理提供了强大的解决方案.
更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
43.5K
11:00Reliable Acquisition of Electroencephalography Data during Simultaneous Electroencephalography and Functional MRI
Published on: March 19, 2021
4.6K
