CPRSCA-ResNet:一种基于ResNet的新型模型,具有道分区分辨率空间道注意力,用于基于EEG的发作检测

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:

• 是一种慢性神经系统疾病,其特点是经常发作,影响认知功能并增加死亡风险.
• 目前的诊断依赖于手动脑电图 (EEG) 解释,这是耗时的,劳动密集的,容易出现错误.
• 需要自动化,准确和高效的发作检测模型来帮助临床诊断.

研究的目的:

• 使用EEG数据开发和验证一种新的自动发作检测模型.
• 引入一个频道分区分辨率空间频道注意力 (CPRSCA) 机制,以增强EEG特征表示.
• 评估模型在不同数据集上的表现,无论是患者依赖的还是患者独立的场景.

主要方法:

• 开发了一个基于ResNet-34架构的CPRSCA-ResNet模型,集成细粒度通道分区和多维注意力机制.
• 嵌入多尺度特征融合以捕捉复杂的EEG模式.
• 在公共CHB-MIT数据集和两个地方医院数据集 (JHCH,JHMCHH) 上进行了实验.

主要成果:

• 在患者依赖的实验中,CPRSCA-ResNet模型在数据集中实现了高准确度 (99.12% ± 2.09%,96.88% ± 4.64%,98.84% ± 1.75%).
• 独立于患者的实验准确度也很强 (78.71% ± 13.06%, 87.15% ± 15.32%, 89.23% ± 7.87%).
• 拟议的模型始终优于现有的最先进的方法,证明了其有效性和通用性.

结论:

• 新型CPRSCA机制和CPRSCA-ResNet模型为自动发作检测提供了一种高效,强大和高度通用的解决方案.
• 这种方法有可能在临床环境中显著降低手动EEG解释的负担.
• 该研究强调了一项有希望的技术进步,以提高的诊断效率和辅助临床诊断.