通过静止波形变形驱动的动态多尺度模糊集群来进行可解释的端到端抓获预测

科学领域:

• 神经科学和生物医学工程
• 医疗保健中的人工智能

背景情况:

• 预测发作对于患者的生活质量至关重要.
• 现有的方法难以处理主体间的EEG变异性和复杂的时空动态,限制了特征的可区分性和模型的解释性.
• 深度学习模型的"黑盒子"性质阻碍了临床采用.

研究的目的:

• 开发一个可解释的发作预测框架,解决EEG变异性和模型透明度.
• 将先进的信号处理与透明的临床决策相结合,以改善预测.
• 提高EEG特征的可辨别性和预测模型的可解释性.

主要方法:

• 提出了一个新的静止波形变换 (SWT) 驱动的动态多尺度模糊集群 (SD-MFC) 框架.
• 采用SWT进行光谱-时间分解以及用于跨频道依赖模型的几何注意力机制.
• 开发了一个基于里曼的多元集群的模糊集群算法和使用多尺度卷积内核的层次特征融合;为了稳定性,结合了对比式学习.

主要成果:

• SD-MFC框架在内脑电图数据集和外脑电图数据集上表现出卓越的预测性能.
• 实现了低错误阳性率 (FPR),表明临床使用的高可靠性.
• 提出的可解释性方法 (联合特征可视化,特征切除) 弥合了深度学习和临床诊断之间的差距.

结论:

• SD-MFC框架为基于EEG的预测的临床应用提供了可行和有效的解决方案.
• 该模型的增强可解释性促进了对临床环境的信任和采用.
• 这种方法解决了当前预测技术的关键局限性,为改善患者护理铺平了道路.