基于EEG信号分析的深度学习方法来诊断发作

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:

• 影响全球1%的人口,需要改进发作检测方法.
• 目前用于发作检测的深度学习 (DL) 模型面临的挑战包括患者的可变性和的脑电图信号.
• 现有的方法难以通用,需要提高可靠性.

研究的目的:

• 开发一个个性化的发作检测系统,使用集体深度转移学习 (EDTL) 模型.
• 通过结合多个DL架构来提高发作检测的准确性和通用性.
• 为了解决当前方法的局限性,包括患者间的变化和信号噪声.

主要方法:

• 来自患者的EEG数据被转化为光谱图,使用个性化的滑动窗口和短时间里埃转换 (STFT).
• 一个新的EDTL框架将预训练模型 (ResNet,EfficientNet) 与定制的2D卷积神经网络 (2DCNN) 集成在一起.
• 模型在患者特定特征上被独立训练,然后结合起来以增强强性和适应性.

主要成果:

• 在标准指标上,EDTL模型与单个模型相比表现优越.
• 在CHB-MIT和土耳其脑电图数据集上获得了99.23%的高曲线下面面积 (AUC).
• EDTL框架显示出对噪声的强度提高,以及更好地适应患者特定的EEG变化.

结论:

• 拟议的EDTL模型在个性化发作检测方面取得了重大进展.
• 这种方法有效地克服了单个DL模型的局限性,提供了更可靠的预测.
• EDTL增强了概括性和适应性,为改善管理中的临床应用铺平了道路.