可解释的深度学习框架和对儿科脑电图中发作检测的验证:提高准确性和性能分析
Yu Zhou1, Yuxin Gao2, Qiang Li2
1College of Medical Technology and Engineering, Henan University of Science and Technology, Luoyang, 471000, China.
Artificial intelligence in medicine
|September 19, 2025
概括
本研究引入了两个可解释的深度学习模型,SE-FCN和TransNet,用于使用电脑电图 (EEG) 数据增强发作检测. 这两种模型都有效地确定了潜在的发作来源,改进了现有的黑子方法.
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:
- 发作的检测对于临床干预至关重要.
- 目前用于脑电图 (EEG) 分析的深度学习模型经常充当黑子,限制了临床解释性.
- 现有的卷积神经网络 (CNN) 和序列生成网络 (SGN) 在等级建模,量化道贡献和捕获复杂的时空依赖性方面存在局限性.
研究的目的:
- 提出一种可解释的深度学习框架,用于发作检测.
- 为了比较两个新型模型的性能:一个带有Squeeze-and-Excitation模块的全卷积网络 (SE-FCN) 和一个基于变压器的模型 (TransNet).
- 为了生成道突出重量和热图来推断潜在的发性区域.
主要方法:
- 开发了一个SE-FCN模型,以提高空间灵敏度,并保留EEG数据中的时间分辨率.
- 开发了一个TransNet模型,利用自我注意力来捕捉时间和道智能的依赖性.
- 在CHB-MIT儿科EEG数据集上使用独立于主体的交叉验证协议评估模型.
主要成果:
- SE-FCN实现了0.89和86.7%的曲线下面面积 (AUC) 准确度.
- 跨网实现了0.92的AUC和86.4%的准确性.
- 两种模型的度图都显示出很高的一致性,使得22名患者可以根据推断的发作起源将其分为五组.
结论:
- 通过EEG数据,SE-FCN和TransNet都提供了关于发作局部化的可解释的见解.
- 拟议的模型在识别潜在的发性区域方面表现出有效性,优于传统的黑子方法.
- 突出性映射功能有助于更好地了解发作起源和患者分层.
