一种基于有效连接、图论与深度模块化神经网络的癫痫发作检测框架
神经元与认知
2019-09-10 v1 机器学习
机器学习
摘要
目的 EEG 信号的电学特征可用于癫痫发作检测。不同脑区之间的统计独立性由功能脑连接（FBC）衡量。FBC 不能考虑特定的方向性效应，因此使用有效脑连接（EBC）来衡量一个神经元区域与其余神经元区域之间的因果干预。我们的主要目的是提供一种可靠的自动癫痫发作检测方法。方法 在本研究中，提供了三种新方法。深度模块化神经网络（DMNN）基于不同频率下各种 EBC 分类结果的组合而开发。另一种方法名为“模块化有效神经网络（MENN）”。该方法组合了特定频率下三种不同 EBC 的分类结果。“模块化频率神经网络（MFNN）”是另一种方法，其组合了特定 EBC 在七种不同频率下的分类结果。结果 使用有向传递函数、有向相干和广义偏有向相干时，MFNN 的平均准确率分别为 97.14%、98.53% 和 97.91%。使用 MENN 时，最高平均准确率为 98.34%。最后，DMNN 具有最高平均准确率，等于 99.43。据我们所知，所提方法是一种新方法，与使用 MIT-CHB 数据库的其他研究相比提供了高准确率。结论与意义 不同脑区之间结构-功能关系的知识对于刻画潜在动力学是必要的。因此，基于 EBC 的特征可提供可靠的自动癫痫发作检测方法。
引用
@article{arxiv.1909.03091,
title = {A framework for seizure detection using effective connectivity, graph theory and deep modular neural networks},
author = {Behnaz Akbarian and Abbas Erfanian},
journal= {arXiv preprint arXiv:1909.03091},
year = {2019}
}