CNN-Autoformer:使用混合深度学习实现基于EEG的自动发作检测和定位
Shuhao Ren1, Haotian Li1, Weisen Lu1
1School of Integrated Circuits, Shandong University, Jinan 250100, P.R.China.
Biomedical signal processing and control
|November 5, 2025
概括
一个新的CNN-Autoformer深度学习模型从EEG数据准确地检测发作. 这种框架还可以准确地定位发作发作,改善诊断和治疗潜力.
科学领域:
- 神经学 神经学
- 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:
- 的诊断依赖于手动EEG分析,这是耗时和主观的.
- 目前的深度学习发作检测方法与复杂的EEG信号动态和发作局部化作斗争.
- 准确和自动的发作检测和定位对于有效的管理至关重要.
研究的目的:
- 开发一种新的混合深度学习框架,以改善发作的检测和定位.
- 解决噪声EEG信号的时空动态建模方面的局限性.
- 提高自动诊断的解释性和临床适用性.
主要方法:
- 提出了一种混合CNN-Autoformer框架,将卷积神经网络 (CNN) 用于空间特征和Autoformer用于时间建模.
- 利用CNN捕获多通道EEG中的通道间相关性.
- 采用了Autoformer的自动相关机制,用于周期依赖和信号分解.
主要成果:
- 实现了基于细分的高性能:98.34%的准确性,99.46%的灵敏性,97.12%的CHB-MIT数据集的特异性.
- 证明了100%的基于事件的灵敏度,低的错误检测率 (0.21事件/小时).
- 为定位生成了发作发作热图,与专家注释进行验证,在SH-SDU数据集上显示了可比性能.
结论:
- 该CNN-Autoformer框架提供了强大的和可解释的发作检测和定位.
- 该模型显示了在诊断中实现现实世界的临床整合的巨大潜力.
- 这种方法提高了分析神经系统疾病的脑电图 (EEG) 数据的准确性和效率.
