使用双域特征和GAN检测间接性性泄漏

科学领域:

• 神经科学
• 生物医学工程
• 人工智能

背景情况:

• 间性发泄物 (IED) 对于的诊断至关重要,但由于EEG信号的复杂性,其检测具有挑战性.
• 手动解读EEG是耗时和主观的,需要自动化解决方案.
• 像CNN这样的现有深度学习方法与EEG时间序列数据的长期依赖性相斗争.

研究的目的:

• 通过先进的深度学习开发可靠的自动化系统来检测间接性发泄 (IED).
• 克服CNN在捕捉EEG信号的长期依赖性的局限性.
• 通过数据增强来解决有限的IED数据的挑战.

主要方法:

• 提出了一种IED探测器 (IEDD),用于局部特征提取的卷积层和用于建模长期依赖性的变压器.
• 使用3D张量表示的EEG数据与道拓通过CNN空间特征提取和时间建模LSTM.
• 开发了一个基于变压器的新型生成对抗网络 (GAN),用于增强稀缺的IED数据集.

主要成果:

• 在二进制分类中实现了高精度:增强数据集1的96.11%和数据集2的95.25%.
• 在多标签分类中表现出强的性能,平均灵敏度为87.26%和精度为89.96%.
• 集成的CNN-变压器架构有效地捕捉了EEG数据中的本地和长期依赖性.

结论:

• 拟议的IEDD模型对自动化和准确的IED检测具有显著的前景.
• 基于变压器的GAN为增强有限的神经数据集提供了有效的解决方案.
• 这项工作促进了诊断和脑电图分析的深度学习应用.