FIGNet:用于听觉脑干响应分类的强大和可解释的模糊不可逆转的网关网络

科学领域:

• 神经科学
• 生物医学工程
• 人工智能

背景情况:

• 听力脑干反应 (ABR) 对于新生儿听力查和神经评估至关重要.
• 由于噪声干扰,弱波形和耗时的数据采集,ABR信号分析面临挑战.
• 有效的ABR分析需要准确和强大的自动分类模型.

研究的目的:

• 开发一个先进的深度学习模型,FIGNet,用于准确和可解释的ABR信号分类.
• 使用新型深度学习技术解决ABR数据中的信号不确定性和时间方向.
• 在临床环境中提高ABR分析的效率和可靠性.

主要方法:

• 开发了FIGNet,一种集成2型模糊逻辑和时间不可逆转的注意力机制的深度学习模型.
• 应用模糊的注意力来减轻噪声的影响,以及对模型神经响应的不可逆转的注意力.
• 在二进制和五类分类任务中对现实世界ABR数据集进行验证的FIGNet.

主要成果:

• 在二进制分类中,FIGNet的准确度为93.72%,在五类分类中达到84.42%.
• 与ABR数据集上的现有方法相比,该模型显示出更高的性能.
• 视觉化证实FIGNet能够专注于关键的波形区域,并在不同噪音水平下保持可靠性.

结论:

• FIGNet为临床ABR分析提供了快速,可解释和强大的解决方案.
• 该模型在干净和噪音条件下实现了高分类准确性,优于当前的方法.
• FIGNet为自动化ABR解释和诊断应用提供了一个有前途的进步.