一个注意力剩余卷积网络,用于边缘设备上的实时扣押分类

科学领域:

• * 神经科学和人工智能
• * * 医疗信号处理
• * 机器学习用于医疗保健

背景情况:

• *影响全球超过5000万,需要精确的类型分类才能有效治疗.
• *手动电脑电图 (EEG) 解释是耗时的,需要专家知识,阻碍临床工作流程.
• *精确的发作分类至关重要,因为不同的类型需要特定的抗药物.

研究的目的:

• * 开发和评估EEG-ARCNet,这是一个注意力剩余卷积网络,用于自动化的多通道EEG发作分类.
• *评估模型在区分五种常见的发作类型方面的表现.
• *为了验证在边缘设备上部署EEG-ARCNet的可行性,以便实际监控发作.

主要方法:

• * 开发了EEG-ARCNet,集成剩余连接和道注意力,用于时间和光谱EEG特征提取.
• * 结合了9个统计时间特征和5个频段功率测量,使用Welch的光谱分解.
• *对Temple大学医院发作库的模型进行了评估,包括多通道EEG记录.

主要成果:

• * 在五种发作类型中实现了高分类准确性 (99.65%) 和宏观平均F1评分 (99.59%).
• * 在Raspberry Pi 4上展示了高效的边缘部署,每个10秒段的推理时间为2.06ms.
• *报告的资源利用率较低:35.4%的CPU和499.4MB的内存消耗.

结论:

• *EEG-ARCNet为自动发作分类提供了一个高度准确和高效的解决方案.
• * 该模型的性能和低资源需求支持其在资源有限的扣押监控应用中使用.
• *这项技术有可能改善管理中的临床工作流程和患者结果.