使用转移学习和EEG大脑活动信号提高了发作的检测
Erol Kına1, Ali Raza2, Prudhvi Chowdary Are3
1Van Yüzüncü Yıl University, Özalp Vocational School, Van, 65100, Türkey.
Computational and structural biotechnology journal
|December 3, 2025
概括
这项研究引入了一种新的随机森林门循环单元 (RFGR) 模型,用于使用电脑电图 (EEG) 信号早期检测发作. 该RFGR模型实现了99.00%的准确性,明显优于现有方法.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 发作是由大脑异常电活动引起的神经事件.
- 早期诊断至关重要,因为发作可能导致严重的并发症,如状态.
- 目前的诊断方法需要提高效率和准确性.
研究的目的:
- 开发一种高精度的自动化方法,用于早期诊断发作.
- 利用电脑电图 (EEG) 信号数据来改善发作的检测.
- 为此目的引入和验证一种新的转移学习技术.
主要方法:
- 提出了一种新的转移学习技术,即随机森林门循环单元 (RFGR).
- 用EEG脑活动信号数据作为RFGR模型的输入.
- 基于RFGR类预测概率来训练模型,生成了一个新的功能集.
主要成果:
- 拟议的RFGR模型在发作检测中达到99.00%的高精度.
- 与最先进的技术相比,RFGR方法显示出更高的性能.
- 可解释的人工智能 (AI) 分析被用于透明的决策见解.
结论:
- 该RFGR模型为早期发作诊断提供了一个高度准确和高效的方法.
- 这种方法具有显著的潜力,可以通过及时干预来改善患者的结果.
- 可解释性AI的整合提高了诊断工具的可信度和可解释性.
