使用各种噪音过技术的DWT-CNN-BiGRU改进酒精和对照对象的EEG分类

科学领域:

• 神经科学
• 生物医学工程
• 信号处理

背景情况:

• 电脑电图 (EEG) 信号分析对于诊断酒精问题至关重要.
• 噪音和EEG信号的复杂性挑战了准确的分类.
• 有效的预处理对于提高深度学习模型的性能至关重要.

研究的目的:

• 评估离散波形变换 (DWT),离散里埃变换 (DFT) 和离散等位变换 (DCT) 对酒精性脑电图信号分类的影响.
• 确定最佳的预处理技术,以改进该领域的深度学习模型.
• 引入和验证一个新的DWT-CNN-BiGRU模型.

主要方法:

• 三种消噪技术的比较:DWT,DFT和DCT.
• 开发一种新的深度学习模型:DWT-CNN-BiGRU,集成空间特征的CNN和时间依赖的BiGRU.
• 应用标准缩放与DWT预处理一起.

主要成果:

• 基于DWT的方法实现了最高的分类精度 (94%),精度 (0.94),回忆 (0.95) 和F1得分 (0.94).
• 与DWT-CNN-BiLSTM基线相比,拟的DWT-CNN-BiGRU模型在分类准确度上显示出大约17%的显著改善.
• 在这种情况下,DWT成为了EEG信号分类的优越预处理方法.

结论:

• 离散波形转换 (DWT) 在酒精分类中对EEG信号的预处理非常有效.
• 拟议的DWT-CNN-BiGRU模型为基于EEG的可靠诊断提供了更高的性能.
• 这项研究有助于开发使用神经成像数据进行医学诊断的更准确的工具.