从EEG检测新生儿发作使用初始ResNetV2特征提取和XGBoost优化与粒子群优化优化

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 信号处理 信号处理

背景情况:

• 新生儿发作是潜在神经损伤的关键指标,需要准确及时检测.
• 目前用于脑电图 (EEG) 分析的机器学习和深度学习方法面临信号非静止性,类失衡和有限的解释性等挑战.
• 早期发现新生儿发作对于预防长期的神经系统缺陷至关重要.

研究的目的:

• 引入一种新的混合深度学习框架,用于早期检测新生儿发作.
• 解决现有方法的局限性,包括信号非静止性,类不平衡和计算负载.
• 提高新生儿EEG数据中发作检测的准确性和可解释性.

主要方法:

• 一个混合深度框架,它结合了离散波波变换 (DWT) 用于信号分解和短时间里埃变换 (STFT) 用于时间频谱生成.
• 从光谱图中使用Inception-ResNetV2提取特征,然后使用XGBoost模型进行分类.
• 粒子群集优化 (PSO) 用于XGBoost模型的离线微调以优化性能.

主要成果:

• 该框架在赫尔辛基新生儿EEG数据集上取得了很高的表现,平均准确率为98.75%,精度为98.56%,灵敏度为98.36%,特异性为98.91%.
• 在中等分析窗口下,精度提高到99.82%,一些交叉验证运行达到100%的精度.
• 分析揭示了前脑电图带在前脑区域的和三角电脑电图带对于早期发作检测的重要性.

结论:

• 拟议的混合深度框架有效地解决了新生儿发作检测的关键挑战,提供了强大的性能和更好的解释性.
• 整合Inception-ResNetV2和PSO优化的XGBoost提供了显著的性能提升和对发作表现的洞察力.
• 该框架为新生儿重症监护室 (NICU) 监测提供了实用和有效的解决方案,并作为临床决策支持系统的基础.