换一批基于改进YOLO模型的轻量化脑电图肌电伪影检测方法
Lightweight EMG Artifact Detection Method Based on Improved YOLO Model for EEG
摘要脑电图(EEG)已经成为神经科学领域的重要工具,基于人工智能的脑电图分析在脑神经疾病、运动想象和情绪识别方面有广泛应用.然而,EEG的应用受到低信噪比的限制,特别是癫痫诊断中肌电(EMG)伪影降低了异常放电特征波形的识别准确率,且现有算法难以实现快速且准确的伪影检测.本研究对YOLO算法进行改进,以深度可分离卷积作为骨干网络,对网络的输入数据、结果矩阵和损失函数进行调整,以适应多导联的EEG数据,提出了一种基于改进YOLO模型的轻量化脑电图肌电伪影检测方法.利用临床采集和公开数据集的伪影标注数据(共4 711条)对模型进行训练和测试,其mAP@0.5和mAP@0.5∶0.95分别达到了93.7％和79.8％,检测速度为31.0 ms/帧.结果显示,该方法在检测精度和推理速度上优于传统YOLO模型和其他先进算法.同时提升了EEG信号的信噪比,从而可有效改善EEG在临床判读和智能识别过程中的应用效率和准确性.
更多相关知识
关键词
脑电图肌电伪影YOLO深度可分离卷积electroencephalogram(EEG)electromyogram(EMG)artifactYOLOdepthwise separable convolution
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2025.01.012
发布时间
2025-04-27（万方平台首次上网日期，不代表论文的发表时间）
基金项目
中国科学院战略性先导科技专项（XDB0500103）
国家基础学科公共科学数据中心项目（NBSDC-DB-02）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
