基于混合深度时空注意力模型的静息态 EEG 信号帕金森病诊断
信号处理
2023-08-16 v1 机器学习
摘要
帕金森病（PD）是一种严重且渐进性的神经系统疾病，影响全球数百万人口。对于 PD 的有效治疗与管理，准确且早期的诊断至关重要。本研究提出一种基于深度学习的模型，利用静息态脑电图（EEG）信号诊断 PD。研究目标是开发一种自动化模型，能从 EEG 中提取复杂隐藏非线性特征，并证明其在未见过数据上的泛化能力。该模型采用混合模型设计，由卷积神经网络（CNN）、双向门控循环单元（Bi-GRU）与注意力机制组成。所提方法在三个公开数据集（加州大学圣地亚哥数据集、PRED-CT 与爱荷华大学（UI）数据集）上评估，其中一个用于训练，另两个用于评估。结果显示所提模型在训练与留出数据集上均以高性能准确诊断 PD。即便输入信息部分缺失，模型表现依然良好。本工作结果对患者治疗及 PD 早期检测的持续研究具有重要意义。所建议模型有望作为一种利用静息态 EEG 进行 PD 早期检测的非侵入式可靠技术。
引用
@article{arxiv.2308.07436,
title = {A Hybrid Deep Spatio-Temporal Attention-Based Model for Parkinson's Disease Diagnosis Using Resting State EEG Signals},
author = {Niloufar Delfan and Mohammadreza Shahsavari and Sadiq Hussain and Robertas Damaševičius and U. Rajendra Acharya},
journal= {arXiv preprint arXiv:2308.07436},
year = {2023}
}