基于卷积变换器的端到端神经性癫痫检测(EENED)
这篇论文介绍了一种基于深度学习和 P-1D-CNN 的系统,通过提出的增强方案可以有效地检测癫痫,具有 99.1%±0.9%的准确性。
Jan, 2018
本文介绍了两种基于 Transformer 架构的深度学习模型(TMC-T 和 TMC-ViT)用于癫痫发作预测,探讨了选取不同持续时间的 preictal 状态和样本数量对模型的影响,并通过使用 CHB-MIT 数据库中的原始 EEG 信号进行实验和统计验证,证明 TMC-ViT 模型优于卷积神经网络 (CNN) 等其他网络。
Sep, 2022
本文提出了一种名为 Spiking Conformer 的神经形态学脉冲卷积变压器,用于从头皮长期脑电图(EEG)记录中检测和预测癫痫发作片段,并通过融合基于脉冲的加法运算显著降低了分类计算成本,同时在使用原始 EEG 数据作为输入时,在癫痫检测任务中实现了 94.9% 的平均灵敏度率和 99.3% 的特异性率,在癫痫预测任务中实现了 96.8% 和 89.5% 的结果,并且与非脉冲等效模型相比,所需运算量减少了超过 10 倍。
Jan, 2024
本研究旨在提出一种基于轻量级卷积变换器(LCT)的深度学习框架,该框架可从多通道脑电图信号中同时学习空间和时间相关信息以便更准确地检测癫痫,经过实验证明,该模型的效果非常好,准确率和 F1 得分可达 96.31% 和 96.32%,这一研究为多通道自动癫痫检测提供了一种新方法。
May, 2023
本研究通过使用 TUH EEG Seizure Corpus 数据集,评估了一种新型的循环卷积神经网络,该网络在每 24 小时内的假警报率为 7 次,灵敏度达到 30%。研究表明,深度学习结构集成空间和时间信息对于达到最先进的表现至关重要,并将推动出一代临床可接受的技术。
Dec, 2017
通过将 Hierarchical Coarse-to-Fine Transformer (HCT) 和 Dense Information Purification (DIP) 模块结合进 CNN-Transformer,我们提出了 EEG-Deformer 算法,有效地学习了脑电图(EEG)信号中的时间动态,进而解码脑活动,实验证明它在三个认知任务上要么优于现有的最先进方法,要么与其相媲美。
Apr, 2024
研究提出了一种新的基于注意力机制的 EEG 解码方法,通过注意力变换增强空间特征,采用时间维度的切片进行注意力变换,使用全局平均池化和简单的全连接层对各类 EEG 数据进行分类。该方法在 EEG 的多分类方面达到了最先进水平,并有促进脑机接口的实际应用潜力。
Jun, 2021
使用深度学习架构处理婴儿的脑电信号,并通过卷积层仅处理原始信号以检测癫痫发作,相较于传统的基于手工特征表达的机器学习方法,表现更优,同时可以更有效地利用可用的训练数据。
May, 2021
提出了一种结构时间序列模型 TGCN,其利用定位在患者头皮上的电极的相对位置信息进行特征提取操作,实现了全局特征和局部特征的结合,该模型在癫痫检测中的表现不逊于其他相关模型并具有良好的可解释性。
May, 2019