一种人工智能驱动的可解释的多视图特征学习方法,用于基于EEG的发作检测.

科学领域:

• 神经学和生物医学信号处理
• 医疗保健中的人工智能

背景情况:

• 是一种慢性神经系统疾病,影响生活质量,并可能导致不可逆转的脑损伤.
• 电脑电图 (EEG) 信号分析对于监测来说至关重要,使得发作的早期发现和干预成为可能.
• 有效的发作检测依赖于从EEG信号中识别可解释的特征,以改善临床结果.

研究的目的:

• 提出一种新的可解释多视图特征学习 (IMV-FL) 方法,用于基于EEG的增强性发作检测 (ESD).
• 通过整合时间和频率域特征来提高探测的准确性和可解释性.
• 为临床和医疗保健机构提供一种有效的管理工具.

主要方法:

• 将时间域EEG信号转换为频域表示,使用离散里埃变换 (DFT).
• 使用ResNet和长短期记忆 (LSTM) 模型提取空间和时间形态特征,通过深度神经网络 (DNN) 进行特征压缩.
• 基于雇员相互信息的特征 (MIBF) 选择和堆叠集成分类器 (SAEC) 统一分类,增强了夏普利添加式解释 (SHAP) 的解释性.

主要成果:

• 拟议的IMV-FL框架与单视图方法相比,表现优越,平均提高了3%.
• 在分类准确度,灵敏度,特异性和F1分数方面,性能比最先进的技术高出2%.
• 在CHB-MIT头皮和波恩EEG数据集上验证的有效性.

结论:

• 可解释的多视图特征学习方法在基于EEG的发作检测方面取得了重大进展.
• 这种方法提供了更高的准确性和临床解释性,对于有效的监测和管理至关重要.
• 该框架是改善临床和医疗保健环境中患者结果的有希望的工具.