基于树莓派的单通道脑电图创伤性脑损伤检测系统
信号处理
2021-02-01 v2 机器学习
摘要
创伤性脑损伤（TBI）是致死和致残的常见原因。然而，现有的 TBI 诊断工具要么主观，要么需要大量的临床设备和专业知识。相对高性能计算系统日益低廉的成本和缩小的体积，加上 TBI 相关机器学习研究令人鼓舞的结果，使得创建用于 TBI 早期检测的紧凑便携系统成为可能。本工作描述了一个基于树莓派的便携、实时数据采集和自动化处理系统，该系统利用机器学习从单通道脑电图（EEG）信号中高效识别 TBI 并自动划分睡眠阶段。我们讨论了该系统的设计、实现和验证，其可使用模数转换器（ADC）对 EEG 信号进行数字化，并执行实时信号分类以检测轻度 TBI（mTBI）的存在。我们利用卷积神经网络（CNN）和基于 XGBoost 的预测模型来评估性能，并展示该系统可适配多种类型预测模型的通用性。在 TBI 与对照条件的 16 s - 64 s 时段上，我们实现了超过 90% 的峰值分类准确率，分类时间小于 1 s。本工作能够支持开发适用于现场、无需专用医疗设备即可进行 TBI 早期检测应用和 TBI 研究的系统。此外，本工作为实施联网的实时 TBI 相关健康与保健监测系统开辟了途径。
引用
@article{arxiv.2101.10869,
title = {A Raspberry Pi-based Traumatic Brain Injury Detection System for Single-Channel Electroencephalogram},
author = {Navjodh Singh Dhillon and Agustinus Sutandi and Manoj Vishwanath and Miranda M. Lim and Hung Cao and Dong Si},
journal= {arXiv preprint arXiv:2101.10869},
year = {2021}
}
备注
12 pages, 6 figures