Sep, 2023

昏迷患者自身和交叉通道关注机制下的多通道脑电图数据分析

PDF
TL;DR通过深度学习方法对双极脑电图记录进行预测，在高特异性、减少误报的目标函数优化下，利用多通道脑电图阵列对神经系统不良结局进行有效预测，并通过我们团队提出的 ONG IVS 框架，在挑战性验证数据上取得了 0.57 的得分。
发现论文，激发创造
  • 从心跳骤停后预测昏迷神经恢复的多模态深度学习方法

    预测心脏骤停后昏迷状态中的神经恢复，使用临床数据和时间序列信号（如多通道脑电图和心电图），本研究展示了多模态的建模方法，基于二维光谱图表示的脑电图信号，结合临床数据和直接从脑电图记录中提取的特征。通过使用转移学习在医学分类中的有效性和局限性，研究表明模型的性能与决策阈值的选择密切相关，并在数据划分中表现出较大的可变性。

    Mar, 2024

  • 混合神经网络方法用于时间睡眠阶段分类

    本文提出了一种解决单个主动电极应用于睡眠阶段分类的局限性的实际方法，其中利用整流器神经网络和长短期记忆网络来优化分类性能，并找到了单通道 EEG 在额头上的舒适配置，并证明它可以与其他电极一起使用，从而实现了睡眠自动分类的更好性能。

    Oct, 2016

  • 基于时间多通道 Transformer 的脑电癫痫发作预测

    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

  • 头皮脑电图自动癫痫检测的深度架构

    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

  • 深度置信网络用于高分辨率多通道脑电水平数据的癫痫检测

    本文探讨了在高分辨率，多通道 EEG 数据中，采用各种表示方法和机器学习算法进行癫痫检测的可行性，通过研究分类精度、计算复杂度和内存需求了解哪些方法最适合处理大规模数据。特别是指出，堆叠学习方法，如深度置信网络，在这些方面表现出色。

    Aug, 2017

  • 避免训练过程的机器人辅助康复中基于脑电图分类器的跨任务迁移

    该研究探讨了通过脑电图记录未受影响手臂的活动，以学习个体化机器学习模型来支持患者康复，结果表明预测运动的分类器在选定的受双边运动意图诱发的脑电图通道上训练时与全面训练脑电图数据的分类器在单边运动意图上的表现差异不显著。这一方法可在实际治疗中使用，与几个脑电图通道的数据训练有效，对于中风患者的进一步研究具有潜力。

    Feb, 2024

  • 基于脑电谱时特征的卷积神经网络心算任务分类

    该研究提出了一个浅层卷积神经网络模型，用于评估脑电信号的特征提取和分类，并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。

    Sep, 2022

  • 使用全卷积体系结构从原始多通道脑电图中检测新生儿发作性病的研究

    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

  • 基于轻量级卷积变换器的跨患者多通道 EEG 信号癫痫检测

    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

  • DeepSleepNet：基于原始单通道脑电信号的自动睡眠分期评分模型

    本研究提出了一种基于 DeepSleepNet 的深度学习模型，用于自动睡眠阶段评分，其利用卷积神经网络提取时间不变特征，并利用双向长短时记忆自动学习睡眠阶段之间的转换规则，无需使用任何手工特征，该模型在不同的单通道 EEG 数据集上均取得了相似的整体准确率和宏 F1 得分。

    Mar, 2017