一个深度混合CSAE-GRU框架,具有双阶段平衡,用于自动检测发作,使用EEG衍生的特征

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 的诊断依赖于识别异常的大脑活动,由于信号复杂性,往往具有挑战性.
• 电脑电图 (EEG) 信号对于监测至关重要,但需要复杂的分析来准确检测发作.

研究的目的:

• 开发一种高性能框架,用于使用EEG信号自动检测发作.
• 整合先进的特征提取和混合深度学习模型,以提高诊断准确度.

主要方法:

• EEG信号使用带程过和离散波段变换 (DWT) 进行预处理.
• 采用了两阶段的类平衡策略,包括集群中心基低采样和边界合成少数群体过量采样技术 (BLSMOTE).
• 采用了混合的卷积稀疏自编码器 (CSAE) 和门式循环单元 (GRU) 模型,并结合了转移学习.

主要成果:

• 该框架在波恩和CHB-MIT的EEG数据集上实现了高性能.
• 关键性能指标包括精度 (高达99.49%),灵敏度 (高达99.21%) 和特异性 (高达99.77%).
• 结果证明了综合方法在发作检测方面的有效性.

结论:

• 拟议的框架结合了新的数据平衡和混合深度学习模型,用于强大的检测.
• 这种方法显示出可靠和临床适用的自动诊断的巨大潜力.