基于EEG的大脑模式分析用于通过混合机器和深度学习方法检测神经系统疾病

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 监测神经系统疾病对于早期发现神经退行症和异常大脑活动至关重要.
• 脑电图 (EEG) 信号提供了一种非侵入性方法来评估大脑功能.

研究的目的:

• 开发和评估一种混合的随机森林-卷积神经网络 (RF-CNN) 模型,用于检测神经系统疾病.
• 用EEG信号提高神经系统疾病检测的准确性和可靠性.

主要方法:

• 开发了一个混合RF-CNN模型,集成基于特征的随机森林 (RF) 和基于图像的卷积神经网络 (CNN) 方法.
• 来自19个频道的EEG信号被处理成三角波,三角波,α波和β波频段.
• 输入包括基于功率的特征,光谱地形图和基于连续波纹转换 (CWT) 的脑电图,用于大脑模式分析.

主要成果:

• 混合RF-CNN模型实现了99.19%的卓越精度和98.32%的F1得分.
• 单个组件表现出强的表现:RF实现了88%的准确性,标杆图97.58%,光谱图98.39%.
• 综合方法显著优于仅依赖基于特征或基于图像的方法的模型.

结论:

• 混合RF-CNN模型为可靠分析改变的大脑动态和过渡阶段提供了有价值的工具.
• 这种方法提高了神经系统疾病的检测,包括轻度认知障碍,阿尔茨海默病和.
• 整合来自EEG信号的特征和图像分析,可以实现更高的诊断准确性.