从基于1D CNN-LSTM深度学习模型的脑电图信号检测发作,使用离散波纹变换

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:

• 发作是由于大脑过度的电活动引起的,可以通过电脑电图 (EEG) 信号检测到.
• 通过EEG自动检测发作对于诊断和患者监测至关重要.
• 现有的方法可能无法完全捕捉EEG信号的复杂时空动态.

研究的目的:

• 开发和评估一个自动化系统,使用EEG信号来识别发作.
• 利用深度学习模型,特别是CNN和LSTM,从EEG数据中提取增强的特征.
• 将拟议模型的性能与现有的机器学习分类器进行比较.

主要方法:

• 脑电图信号通过提取和连接频段使用离散波段转换 (DWT) 来处理.
• 使用1D卷积神经网络 (CNN) 来从EEG数据中提取空间特征.
• 一个长期短期记忆 (LSTM) 层处理了CNN输出以捕获时间依赖性,其次是完全连接的分类层.

主要成果:

• 拟议的模型在多个数据集上实现了高精度:TUSZ体 (94.32%),BONN (97.24%) 和CHB-MIT (96.94%).
• 包括卡帕值和GDR在内的绩效指标证明了该模型在不同EEG数据集中的有效性.
• 该模型在发作检测准确度方面显著超过了几种流行的机器学习分类器.

结论:

• 集成的CNN-LSTM模型有效地从EEG信号中提取时空特征,以准确检测发作.
• 拟议的方法为自动识别发作提供了强大而高性能的解决方案.
• CNN在提取空间特征方面的能力是导致该模型卓越性能的一个关键因素.