相关实验视频
在台风HIL上使用HybridConvMobileNet进行无集成,以进行增强的预测
Prabhat Kumar Upadhyay1, Priyaranjan Kumar1, Manoj Kumar Panda2
1Department of Electrical and Electronics Engineering, Birla Institute of Technology, Ranchi, Jharkhand, 835215, India.
Scientific reports
|November 27, 2025
概括
这项研究介绍了HybridConvMobileNet,这是一种新的深度学习模型,用于使用电脑电图 (EEG) 数据高效准确的实时预测. 该模型在基准数据集上实现了高性能,证明了其用于监测的临床潜力.
科学领域:
- 医疗技术 医疗技术 医学技术
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 实时预测发作对于及时的医疗干预和改善患者结果至关重要.
- 现有的预测方法在实时应用的效率和准确性方面面临挑战.
研究的目的:
- 介绍HybridConvMobileNet,这是一种新的混合深度学习模型,用于高效和准确的实时预测.
- 利用1D卷积神经网络 (CNN) 和MobileNet来增强特征提取和计算速度.
主要方法:
- 混合ConvMobileNet模型集成1D CNN用于从频域电脑电图 (EEG) 数据中提取空间特征.
- 输入特征是从预处理的EEG信号的1D短时间里埃变换 (STFT) 系数中得出的.
- 移动网组件提高了实时处理的计算效率和速度.
主要成果:
- 该模型在CHB-MIT数据集 (99.70%准确率,99.31%灵敏度,99.43%F1得分) 和锡耶纳数据集 (99.67%准确率,99.08%灵敏度,99.57%F1得分) 上实现了高性能.
- 在两个基准数据集中,HybridConvMobileNet的表现优于现有的八种预测方法.
- 实时实现显示了0.1到1秒的低平均检测延迟.
结论:
- 混合ConvMobileNet展示了有效和高效的实时预测的巨大潜力.
- 该模型的性能和低延迟强调其适用于临床监测和控制应用的适用性.
