多网络:基于EEG和MRI数据的多式发作检测模型,使用混合深度学习模型
Mohd Abdul Rahim Khan1, Nasser Ali AlJarallah2, Ashit Kumar Dutta2
1Department of Electric Engineering & Computer Science, A'sharqiyah University, Ibra 400, Sultanate of Oman.
Brain research bulletin
|November 20, 2025
概括
MultiEpilepsyNet使用联合学习和混合深度学习提供准确的,保护隐私的诊断. 这种多式模式的框架可以提高神经系统疾病的早期检测和管理.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 的诊断需要准确的,保护隐私的解决方案.
- 目前的方法在集中数据,概括性,特征提取和噪音方面扎.
研究的目的:
- 引入MultiEpilepsyNet,一个多式发作检测框架.
- 为了提高诊断的隐私,准确性和通用性.
主要方法:
- 联合学习 (SeizureFed-Net) 保护隐私的协作学习来自EEG和MRI数据.
- 混合深度学习 (SeizureShieldNet) 融合了BBIDNet和FD-TMS,以实现强大的发作检测.
- 狼混合优化器 (JWHO) 提供最佳的特征选择.
- EpiSkullNet++用于增强MRI大脑细分.
主要成果:
- 在CHB-MITEEG数据集上达到99.36%的准确性,在症MRI数据集上达到99.38%.
- 证明了对缺失的模式和减少培训开支的更强的稳定性.
- 与集中式模型相比,展示了增强的隐私保护.
结论:
- 多网络有效地解决了临床诊断中的关键障碍.
- 该框架提供了一个可扩展,保护隐私和临床可行的解决方案.
- 突出了多式联网学习在神经疾病管理中的潜力.
关键词:
基于DL的混合扣押ShieldNetShieldNet的扣押.长狼混合优化器 (JWHO) 是一个多种症网 多种症网通过新的EpiSkullNet+++进行细分.发作检测检测器可以检测到没收 联邦储备委员会网络更多相关视频
11:28Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
Published on: June 30, 2018
12.2K
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
44.0K
