一种混合的尖端神经网络-转换器架构用于运动图像和睡眠呼吸暂停检测
Duc Thien Pham1, Maryam Khoshkhooy Titkanlou1, Roman Mouček1
1Department of Computer Science and Engineering, Faculty of Applied Sciences, University of West Bohemia in Pilsen, Pilsen, Czechia.
Frontiers in neuroscience
|December 29, 2025
概括
斯皮特兰网 (SpiTranNet) 是一种新的SNN和变压器模型混合体,在运动图像分类和睡眠呼吸暂停检测方面实现了竞争力的准确性. 这种神经形态架构提供了节能和强大的生物医学信号处理.
科学领域:
- 生物医学信号处理
- 神经形态工程的神经形态工程
- 人工智能的人工智能
背景情况:
- 运动图像 (MI) 分类和睡眠呼吸暂停 (SA) 检测对于脑电脑接口 (BCI) 和健康监测至关重要.
- 传统的深度学习模型在实时应用中面临时间稀疏性和能源效率方面的挑战.
研究的目的:
- 引入SpiTranNet,这是一个新的架构,将尖端神经网络 (SNN) 与变压器集成在一起.
- 使用神经形态原理在生物医学信号分析中增强时间处理和能源效率.
主要方法:
- 开发了SpiTranNet,具有尖端多头注意力 (SMHA),其中尖端神经元取代标准激活.
- 评估了用于MI分类的脑电图 (EEG) 和用于SA检测数据集的心电图 (ECG) 的模型.
主要成果:
- 与传统的机器学习和深度学习模型相比,SpiTranNet实现了竞争力的准确性.
- 在各种生理学数据集中表现出强大的性能.
结论:
- 像SpiTranNet这样的神经形态启发的架构显示出有效和准确的生物医学信号处理的巨大潜力.
- 混合SNN-变压器方法为BCI和健康监测应用提供了一个有希望的方向.
