通过混合融合EEGNetv4和联合学习从EEG获得保护隐私的痴呆症分类
Muhammad Umair1, Muhammad Shahbaz Khan2, Muhammad Hanif3
1School of Engineering, University of Southern Queensland, Toowoomba, QLD, Australia.
Frontiers in computational neuroscience
|September 3, 2025
概括
这项研究引入了一种高效的深度学习框架,用于使用脑电图 (EEG) 诊断痴呆症. 在保持数据隐私的同时,该方法实现了高精度,使其适用于现实世界的应用.
科学领域:
- 神经学
- 生物医学工程
- 人工智能
背景情况:
- 全球预期寿命的增加增加了痴呆症的患病率,包括阿尔茨海默病 (AD) 和前性痴呆症 (FTD).
- 脑电图 (EEG) 是一种非侵入性的,具有成本效益的早期痴呆检测方法.
- 目前的EEG诊断方法面临的挑战包括数据稀缺,学科间的差异性和隐私问题.
研究的目的:
- 开发一个轻量级且保护隐私的脑电图分类框架来诊断痴呆症.
- 结合深度学习和联合学习 (FL) 进行高效和安全的EEG分析.
- 评估各种卷积神经网络 (CNN) 在基于EEG的痴呆症检测中的性能.
主要方法:
- 在静止状态EEG数据集 (88名受试者) 上对5个CNN (EEGNetv1,EEGNetv4,EEGITNet,EEGInception,EEGInceptionERP) 的评估.
- EEG信号预处理包括带通 (1-45 Hz) 和口过,指数标准化和4秒窗口.
- 使用FedAvg在五个分层客户端实现联合学习 (FL) 进行隐私保护分析.
主要成果:
- 在评估的针对EEG的模型中,EEGNetv4表现优越.
- 使用EEGNetv4的混合融合技术只使用1,609个参数和<1MB内存,达到97.1%的准确性.
- 通过混合融合的EEGNetV4模型实现FL的准确性达到了96.9%,确保了数据隐私.
结论:
- 拟议的框架可扩展,资源高效,并符合基于EEG的痴呆症诊断的隐私.
- 这项研究为现实世界的临床环境和边缘设备的部署建立了可行的方法.
- 这项工作解决了现有的EEG诊断方法的关键局限性,为更广泛的采用铺平了道路.
