换一批多尺度编码器结合卷积Transformer对癫痫的分类
Integration of multi-scale encoder and convolutional Transformer for epileptic classification
摘要针对多数结合Transformer的模型不能充分学习脑电信号中丰富的时空信息这一局限性,设计多尺度时空卷积编码器模块和密集卷积Transformer模块,并将这两种模块相结合提出MTSDCformer模型以实现对癫痫患者脑电图(EEG)信号的预测与分类.首先,该模型使用多尺度时空特征编码器对分段的EEG信号提取时间维度以及通道维度的特征信息;其次,将学习局部信息的卷积分支集成到Transformer编码器上形成密集卷积Transformer(DCT)模块,通过多层的DCT模块来学习EEG信号的全局依赖关系以及更细粒度的时间特征;然后,进一步通过信息纯化单元对EEG信号中的频率信息进行编码以提取中间层的详细特征;最后,根据提取的特征对输入的EEG信号进行分类,判断患者是否患有癫痫.实验部分在UPenn&Mayo诊所挑战数据集和麻省理工学院的波士顿儿童医院(CHB-MIT)公共数据集上讨论模型的有效性,实验结果表明MTSDCformer模型相较于LSTM、Vision Transformer、Compact Convolution Transformer、EEG-Conformer、EEGNet、R-Transformer和ARNN等基线方法表现出更好的性能.
更多相关知识
关键词
脑电图信号癫痫深度学习MTSDCformerIP单元electroencephalogram signalepilepsydeep learningMTSDCformerinformation purification unit
栏目名称
DOI
10.3969/j.issn.1005-202X.2025.12.012
发布时间
2026-01-06（万方平台首次上网日期，不代表论文的发表时间）
基金项目
甘肃省高校创新基金项目（2022A-047）
甘肃省科技计划项目（23YFGA0047）
- 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
