基于双交叉三级路由变压器的度量学习网络用于使用单通道iEEG预测发作

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 深度大脑刺激需要精确的发作预测,以实现闭环神经调节.
• 使用多通道头皮EEG的现有方法往往忽略了单通道iEEG的时间和光谱复杂性.
• 目前的对比学习方法可能会在有限的数据上过度填充,这会影响预测的准确性.

研究的目的:

• 开发一种先进的深度学习模型,使用单通道iEEG.EEG准确预测发作.
• 解决先前方法在利用时间-光谱相互依赖性和避免过度拟合方面的局限性.

主要方法:

• 提出了一个新的基于双交叉三级路由变压器的度量学习网络 (DC-TRT-MLNet).
• 利用尺度-节律双交叉图注意力网络来建模多尺度的时间和光谱特征依赖性.
• 采用三级路由变压器来改进功能,并采用硬三位数优化度量学习策略来改进分类.

主要成果:

• 在私有单通道iEEG数据集上,DC-TRT-MLNet表现出卓越的性能.
• 与最先进的方法相比,实现了更高的预测准确度.
• 验证了拟议的网络架构和指标学习策略的有效性.

结论:

• 拟议的DC-TRT-MLNet在基于iEEG的单通道发作预测方面取得了重大进展.
• 这种方法有效地捕捉了复杂的时间光谱关系,并减轻了过度拟合.
• 提出了一个有前途的新解决方案,用于管理中的内预测.