通过通过基于脑电图的音频录音获得的波形变形来检测可解释的发作的一种方法
Paul Tavolato1, Hubert Schölnast2, Oliver Eigner2
1Faculty of Computer Science, University of Vienna, 1090 Vienna, Austria.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
这项研究引入了一种可解释的深度学习方法,用于使用电脑电图 (EEG) 信号检测发作. 波波变换将EEG数据转换为光谱图,在发作检测中达到0.922准确度.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 对电脑电图 (EEG) 信号的准确分类对于诊断等神经系统疾病至关重要.
- 现有的方法可能缺乏透明度,阻碍了临床的信任和理解.
研究的目的:
- 提出一种可解释的深度学习 (DL) 方法,通过EEG信号检测发作.
- 提高用于神经障碍诊断的DL模型的透明度.
主要方法:
- 脑电图信号被转换成音频波形.
- 应用了两个连续波形变换 (Morlet和墨西哥帽) 来创建时间频率表示 (光谱图).
- 卷积神经网络 (CNN) 模型处理这些光谱图以检测发作,并将类激活映射 (CAM) 技术纳入解释性.
主要成果:
- 基于波纹的光谱图有效地捕获了EEG数据的时间和光谱特征.
- 提出的可解释的DL方法在发作检测中实现了0.922的高精度.
- 类激活映射技术成功地可视化了影响模型预测的突出区域.
结论:
- 基于波段的预处理是有效的EEG信号分析在发作检测.
- 开发的可解释的DL方法为快速和透明的发作检测提供了一个有希望的工具.
- 整合可解释性技术可以提高临床神经科学中DL模型的可靠性和可解释性.
更多相关视频
10:22Interictal High Frequency Oscillations Detected with Simultaneous Magnetoencephalography and Electroencephalography as Biomarker of Pediatric Epilepsy
Published on: December 6, 2016
21.0K
09:57Author Spotlight: Advancing Pediatric Epilepsy Surgery in Children Through Novel Biomarkers and Enhanced Localization
Published on: September 20, 2024
3.4K
