换一批基于深度学习的儿童发作间期癫痫样放电检测研究
Research on Detection of Interictal Epileptiform Discharges in Children Based on Deep Learning
摘要发作间期癫痫样放电(IED)对癫痫诊断至关重要,但脑电(EEG)信号的非平稳性使得IED检测复杂.传统人工判读EEG存在主观性和耗时问题.随着机器学习和深度学习的发展,IED检测领域提出了计算机辅助模型.基于卷积神经网络(CNN)的IED检测方法取得了不错的效果,但是CNN不易捕获时间序列中的远程依赖性.而Transformer擅长通过采用自注意力机制来处理顺序数据,使其能够捕获长程依赖关系.本研究中提出了一种基于Transformer的新型IED检测方法,该方法在使用简单卷积提取IED局部特征的基础上,再用Transformer进一步对特征远程依赖性进行建模.并且针对IED数据的稀缺,还设计了一种新的基于Transformer的生成对抗网络(GAN)来对IED数据进行增强.基于对11名小儿癫痫患者的分析,新方法在增强数据集的二分类任务上的平均准确率达到96.11％、平均召回率97.08％和平均精确率93.85％.在多分类任务中的平均召回率达到93.47％,平均精确率达到93.84％.该研究可为未来深度学习进一步在IED自动检测中的应用提供有价值的参考.
更多相关知识
关键词
发作间期癫痫样放电检测脑电图Transformer生成式对抗网络深度学习interictal epileptiform discharges(IED)detectionelectroencephalogram(EEG)Transformergenerative adversarial network(GAN)deep learning
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2025.05.008
发布时间
2025-11-28（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览8
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
