一个生物启发的多模式CNN-LSTM网络用于昏迷患者的EEG分析
Sérgio Baldo-Júnior1, Murillo G Carneiro1,2, João L M Barbosa3
1Department of Computing and Mathematics, University of São Paulo, Ribeirão Preto 14040-901, Brazil.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
本研究介绍了一种使用卷积神经网络 (CNN) 和长短期记忆 (LSTM) 的多式深度学习模型,用于改进脑电图 (EEG) 信号分类,增强神经疾病诊断.
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:
- 电脑电图 (EEG) 对于神经疾病诊断至关重要,但由于高维,杂的数据,它面临着挑战.
- 准确的脑信号分类是复杂的,阻碍了EEG的有效临床应用.
研究的目的:
- 开发一个多式联络深度学习模型,将EEG与患者数据集成在一起,以提高信号分类.
- 提高基于EEG的神经结果预测的准确性和稳定性.
主要方法:
- 一种混合深度学习架构,将卷积神经网络 (CNN) 结合起来,用于空间特征提取和长短期记忆 (LSTM) 用于时间依赖性分析.
- 整合患者信息作为一种额外的数据模式.
- 利用基因算法 (GA) 进行特征选择和CNN-LSTM模型的超参数优化.
主要成果:
- 与单模方法相比,多模CNN-LSTM模型在分类EEG信号方面表现出优异的性能.
- 通过多式联络集成和GA优化,观察到精度,稳定性和概括性的显著改善.
- 成功应用于昏迷患者的结果分类,显示出增强的预测能力.
结论:
- 通过GA优化增强的多模式深度学习,为准确的EEG信号分类提供了有前途的方法.
- 这种架构有可能在神经学中推进临床决策支持系统.
- 该模型的有效性表明它可以更广泛地应用于各种基于EEG的诊断和评估任务.
