
-
生物通官微
陪你抓住生命科技
跳动的脉搏
设计并开发一种自动化的脑电图信号处理与诊断支持架构,该架构采用先进的深度学习模型,以实现早期、准确且可扩展的神经系统疾病检测
《Physiotherapy Research International》:Design and Development of an Automated Electroencephalogram Signal Processing and Diagnostic Support Architecture Employing Advanced Deep Learning Models for Early Accurate and Scalable Detection of Neurological Diseases
【字体: 大 中 小 】 时间:2026年03月29日 来源:Physiotherapy Research International 1.8
编辑推荐:
EEG信号智能诊断框架研究提出融合噪声过滤、图傅里叶变换与自调制卷积神经网络的系统,在阿尔茨海默病和额颞叶痴呆诊断中实现6.42%-8.27%的准确率提升,为物联网医疗环境中的早期神经疾病筛查提供可靠工具。
脑电图(EEG)信号在分析神经活动及诊断各种神经系统疾病方面发挥着重要作用。随着医疗物联网(IoMT)的快速发展,基于EEG的诊断系统变得更加互联互通且易于扩展。然而,由于EEG信号本身的复杂性、高维度和易受噪声干扰的特性,早期准确诊断神经系统疾病仍然具有挑战性。本研究旨在设计一个自动化、鲁棒且智能的诊断支持框架,以实现神经系统疾病的可靠早期检测。
本文提出了一种自动化脑电图信号处理和诊断支持架构的设计与开发方法,该方法采用了先进的深度学习模型(EEG-DSS-SMCNN)。EEG信号来源于阿尔茨海默病和额颞叶痴呆数据集。首先,应用快速去敏卡尔曼滤波算法(FDKFA)进行预处理,以去除噪声、伪迹和信号失真,并确保数据标准化。随后,使用图分数傅里叶变换(GFFTT)从时间、空间和通道域提取具有区分性的特征。提取的特征随后被输入到自调制卷积神经网络(SMCNN)中,以进行自动疾病检测和分类。此外,通过使用大象族优化(ECO)算法对网络参数进行优化,以提高分类准确性和模型的鲁棒性。
实验评估表明,所提出的EEG-DSS-SMCNN框架显著优于现有的最先进方法。与RT-EEG-DL、EEML-DLT-EEG和EDDL-ED-EEG方法相比,该方法分别实现了6.42%、6.58%和8.27%的准确率提升,证实了其卓越的诊断性能。
研究结果凸显了在统一诊断框架中整合先进信号预处理、基于图的特征提取和深度学习的有效性。所提出的EEG-DSS-SMCNN模型能够有效处理噪声干扰的EEG信号,并捕捉复杂的神经模式,使其适用于基于IoMT的医疗环境中的疾病早期诊断。优化的SMCNN进一步提高了分类的可靠性,显示出在实时临床决策支持和可扩展的神经系统疾病监测系统方面的巨大潜力。
作者声明不存在利益冲突。
作者无需报告任何内容。