优化密集的反向投射联合注意网络,用于自动检测来自EEG信号的发作
Mohandass G1, Sridhathan C2, Hari Krishnan G3
1Professor, Department of Biomedical Engineering, Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences, Saveetha University, Chennai, India.
Computer methods in biomechanics and biomedical engineering
|November 18, 2025
概括
这项研究引入了使用EEG信号的自动发作检测系统. 新的优化密集向后投影联合注意网络 (DBPJAN-ASD-EEG) 提高了确定发作的准确性和回忆力.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 人工智能在医学中的应用
背景情况:
- 基于脑电图 (EEG) 的发作识别对于神经系统疾病管理至关重要.
- 传统的方法是劳动密集型,耗时,容易引起观察者之间的变化.
- 现有的自动化系统往往缺乏强大的功能提取和高效的优化策略.
研究的目的:
- 开发一种先进的自动化系统,通过EEG信号精确识别发作.
- 增强特征提取和优化技术,以提高发作检测性能.
- 为了将EEG信号分类为正常状态,前触觉状态和触觉状态.
主要方法:
- 统计特征使用双面偏移四边形线性正规变换 (TOQLCT) 来提取.
- 一个优化密集的后投射联合注意网络 (DBPJAN) 已被开发用于的检测和分类.
- DBPJAN模型使用吉萨金字塔建筑优化算法 (GPCOA) 进行了优化.
主要成果:
- 与现有技术相比,拟议的DBPJAN-ASD-EEG系统显示出更高的准确性和回忆能力.
- 该系统成功地检测并将EEG信号分类为正常,前冲击和冲击类别.
- 在MATLAB中实现了使用各种性能指标进行全面评估.
结论:
- DBPJAN-ASD-EEG系统提供了一个有前途的,高度准确和高效的解决方案,用于自动查获识别.
- 整合TOQLCT用于特征提取和GPCOA用于优化,显著提高了性能.
- 这种自动化方法可以减少专家的负担,提高诊断一致性.
更多相关视频
06:28Author Spotlight: Unraveling Seizure Dynamics and Novel Therapeutics for Status Epilepticus Using CMOS High-Density Microelectrode Array Systems
Published on: September 27, 2024
3.2K
08:45Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
Published on: October 24, 2012
15.1K
