使用傅里叶谱分析在脑电图中进行 K - 复合体检测
这篇论文综述了使用机器学习方法和不同特征对于 EEG 信号中癫痫发作进行检测的研究现状,通过实验选取了数个有显著预测能力的特征以提高检测效果。
Aug, 2019
基于 k 最近邻分类和 t 位置尺度统计表示,我们在真实数据集上提出了一种用于检测尖波的癫痫脑电信号的模式分类方法,并在分类准确率、敏感性和特异性方面对性能进行评估。
May, 2024
本文提出了一种基于 DWT 和机器学习的分类器用于 EEG 信号分析,实现了良好的癫痫检测效果,并且在三个不同的分类器中最佳组合是 LDA 和 NB,能够达到 100% 的灵敏度、特异度、准确度、精度和召回率。
Feb, 2023
本研究使用电脑建立了一个基于神经网络的智能决策模型,通过 EEG 检测来识别人类主观情绪,并采用一些信号处理技术和算法,实验结果表明该模型能够提高情绪检测的准确性。
Mar, 2023
本文提出一种用图谱谱分析功能性脑网络和信号的方法,其中强调了脑图频率与不同空间平滑程度的关系,并将其与主成分分析联系起来,最终应用于掌握简单运动技能的大脑信号分析中,证明脑图谱性质与任务熟悉度的关联性,并确定了在不同任务熟悉度下的最具贡献及重要标志频率。
Nov, 2015
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
该研究旨在分析不同 STEM 活动中的大脑活动,探索分类不同任务的可行性。收集了二十个受试者在五个认知任务中的脑电数据,并将其分割为 4 秒的片段。通过分析大脑频率波的功率谱密度,测试了使用 XGBoost、随机森林和装袋分类器等不同的 k 间隔,结果显示随机森林在两个间隔大小时表现最好,测试准确率达到 91.07%。当利用所有四个脑电通道时,认知灵活性最为显著。任务特定的分类准确率显示右额叶在数学处理和规划方面表现出色,左额叶在认知灵活性和心理灵活性方面表现出色,左颞顶叶在连接方面表现出色。值得注意的是,在进行 STEM 活动时观察到了额叶和颞顶叶之间的许多连接。这项研究有助于更深入地了解将机器学习应用于分析大脑活动,并揭示了大脑的机制。
Jan, 2024
本文提出了一种新的框架,可以自动捕捉到基于权威睡眠医学指导的人类睡眠的脑电图信号的时频特性,并通过使用时间 - 频率补丁序列划分输入的 EEG 频谱图的信息特征和基于注意力的架构并行地有效地搜索划分的时频补丁与睡眠阶段的定义因素之间的相关性来对其进行定义。提出的方法在只使用脑电图信号的情况下,在 Sleep Heart Health Study 数据集上得出了新的最先进结果,分别获得了 0.93、0.88 和 0.87 的 F1 得分,并且具有高达 0.80 kappa 的高度一致性。我们还可视化了睡眠分期决策和所提出方法提取的特征之间的对应关系,为我们的模型提供了强大的可解释性。
Apr, 2022