一种轻量级的CNN-LSTM方法用于准确的EEG正常-异常分类

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:

• 电脑电图 (EEG) 对于诊断神经系统疾病至关重要,分类是主要的诊断步骤.
• 以前的EEG分类方法由于依赖非公开数据集,往往缺乏可重现性.
• 需要有效且易于使用的EEG分析方法.

研究的目的:

• 开发一种轻量级的卷积神经网络-LSTM (CNN-LSTM) 模型,用于分类正常与异常的EEG信号.
• 使用公开可用的TUH异常EEG数据集进行培训和验证.
• 提高EEG分析的效率和可解释性.

主要方法:

• 一个轻量级的CNN-LSTM模型被设计用于EEG信号的二进制分类.
• 该模型使用TUH异常EEG数据集中的单一T5-O1通道进行训练和评估.
• 梯度加权类激活映射 (Grad-CAM) 用于模型可视化和可解释性.

主要成果:

• 拟议的CNN-LSTM模型实现了正常和异常EEG的有效分类.
• 使用单个EEG通道 (T5-O1) 简化了模型并减少了计算要求.
• 通过卷积层自动选择特征,提高了模型效率.

结论:

• 开发的轻量级CNN-LSTM模型为EEG分类提供了一种高效和可重复的方法.
• 单通道方法减少了复杂性和计算成本,使其更容易获得.
• 通过可视化技术改善了模型的解释性,有助于理解诊断特征.