在时间和时间频率领域使用局部-全球特征融合网络进行自动EEG文物检测

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 视频脑电图 (VEEG) 解释受到文物挑战,影响诊断准确性和临床医生的效率.
• 来自VEEG自动化的人工物可以为叶 (TLE) 提供关键的诊断见解.

研究的目的:

• 开发一种用于识别和分类VEEG文物的自动化算法.
• 帮助临床医生在VEEG中区分干扰信号和与有关的活动.

主要方法:

• 提出了一个基于时间域和时间频域 (LG-TDTFD-Net) 的局部-全球特征融合网络.
• 使用卷积神经网络 (CNN) 和变压器从VEEG信号中提取本地和全球特征.
• 综合时间域和时间频域分析,用于全面的特征提取.

主要成果:

• 在检测和分类TLE文物方面,LG-TDTFD-Net表现出卓越的性能.
• 拟议的方法在临床和公共数据集上都超过了现有的基线模型.

结论:

• 当地和全球特征的融合增强了VEEG文物表示和模型泛化.
• 开发的算法有效地区分了文物和发作信号,支持TLE的临床诊断.