一种基于事件的过和加权增强的深度学习发作预测方法
Juntao Ren1, Nan Jiang1, Lurong Jiang1
1School of Information Science and Engineering (School of Cyber Science and Technology), Zhejiang Sci-Tech University, Hangzhou, 310018, China; Provincial Key Laboratory for Research and Translation of Kidney Deficiency-Stasis-Turbidity Disease, Hangzhou, 310018, China.
这项研究引入了一种新的两步预测方法,使用PSO-DAM-2DCNN模型和k-of-n逻辑过器. 该方法改善了患者的时间连续性和实际实用性.
科学领域:
- 神经科学是一个神经科学.
- 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:
- 及时发现发作对于管理至关重要,使得迅速的医疗干预和患者应对策略成为可能.
- 传统的脑电图 (EEG) 信号分析用于预测发作往往缺乏时间连续性,限制了临床适用性.
- 基于事件的预测优先于基于细分的分类,以提高在实时发作管理中的实际实用性.
研究的目的:
- 开发和评估一种创新的两步方法,以改善预测.
- 通过结合基于事件的检测来解决传统基于细分的EEG分析的局限性.
- 改善预测模型的时间连续性和实际实用性.
主要方法:
- 实施了两步预测框架,结合了基于细分和基于事件的预测.
- 第一个步骤使用了粒子集群优化 (PSO) 优化的双重注意力机制 (DAM),与2D卷积神经网络 (2DCNN) 集成,用于基于细分的预测.
- 第二步采用双层"k-of-n"逻辑过器,以有效检测发作事件.
主要成果:
- 提出的PSO-DAM-2DCNN模型在基于细分的指标上表现出强的表现.
- 综合两步方法在基于事件的指标中显示出有希望的结果,包括每小时假阳性率 (FPR/h),假阴性率 (FNR) 和真阳性率 (TPR).
- 该方法在CHB-MIT和华山医院的私人数据集上得到了验证,这表明其可通用性.
结论:
- 这种新的两步预测方法比传统方法有了显著的进步.
- 集成PSO,DAM,2DCNN和k-of-n逻辑波器为准确和时间连续的预测提供了一个强大的框架.
- 这种方法有可能改善临床管理和治疗患者的治疗结果.
更多相关视频
06:58Non-restraining EEG Radiotelemetry: Epidural and Deep Intracerebral Stereotaxic EEG Electrode Placement
Published on: June 25, 2016
09:16Use of a Wireless Video-EEG System to Monitor Epileptiform Discharges Following Lateral Fluid-Percussion Induced Traumatic Brain Injury
Published on: June 21, 2019
相关概念视频
Epilepsy and Seizures: Overview
Various factors can trigger epilepsy, including genetic factors, brain damage, metabolic causes, and unknown etiology. Diagnosis of epilepsy involves electroencephalography (EEG), which...
Seizures: Classification
Seizures are typically classified into two main categories: focal and generalized seizures.
Focal Seizures
Focal seizures originate from specific regions of the brain. These seizures are further sub-classified into two types:
