EPIC-NET:基于EEG的症分类和使用Optuna波门循环单元网络的脑部定位

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:

• 是一种慢性神经系统疾病,通过电脑电图 (EEG) 信号分析来诊断.
• 当前的方法往往忽略了诊断中的基于位置的波探测.
• 在大脑内精确地定位活动仍然是一个挑战.

研究的目的:

• 提出一种新的深度学习模型,EPIC-NET,用于使用EEG信号对的分类和大脑定位.
• 提高的检测和定位的准确性和特异性.
• 解决查获来源的现有方法的局限性.

主要方法:

• 使用ResGoogleNet处理EEG信号以提取时间和空间特征.
• 基于Langevin动力学的静态变量减少梯度蜂蜜 (SVGL-HBO) 算法被用于有效的特征选择.
• 贝尔圆模糊逻辑系统 (BE-FLS) 分类了活动严重程度,而Optuna波门反复单元 (OW-GRU) 实现了精确的定位.

主要成果:

• EPIC-NET模型的分类准确率 (CA) 达到98.80%.
• 达到了97.43%的马修斯相关系数 (MCC),表明了高绩效.
• 与RNN,SVM和CNN等传统模型相比,EPIC-NET显示出更高的准确性.

结论:

• 通过精确的分类和大脑定位,EPIC-NET在诊断方面取得了重大进展.
• 该模型能够从EEG信号中提取详细特征,从而提高诊断精度.
• 这种深度学习方法有望为更有效的管理和治疗策略提供希望.