一种自动且高效的微型单变量卷积神经网络框架，用于从脑电图（EEG）信号中检测多种神经系统疾病

《Smart Health》：Automatic and Efficient Micro Univariate Convolutional Neural Network Framework for Multiple Neurological Disorders From EEG Signals

μCNN框架通过6通道EEG频谱图分析，结合卷积神经网络和批量归一化技术，在15,600例数据集中实现98.42%准确率，优于ResNet50和AlexNet，为神经疾病诊断提供高效解决方案。

　　

作者：Shraddha Jain、Rajeev Srivastava、Sukomal Pal

印度理工学院（IIT-BHU）计算机科学与工程系，瓦拉纳西（北方邦），印度-221011

摘要：

目的

神经系统疾病在全球范围内影响着数百万人，导致了严重的发病率和死亡率。本研究提出了μCNN框架，以增强脑电图（EEG）数据分析能力，从而提高多种神经系统疾病的诊断和分类精度。

方法

μCNN框架利用独特的6通道EEG频谱图表示方法，从频率和相关性成分中提取关键特征。该模型通过卷积层、最大池化和批量归一化来对精神分裂症、帕金森病、阿尔茨海默病、癫痫和中风等疾病进行分类。

结果

在包含15,600个EEG频谱图的数据集上，μCNN模型的准确率为98.42%，敏感性为98.4%，特异性为99.61%，在分类任务中优于ResNet50和AlexNet。

结论

μCNN框架能够以较高的诊断准确性和系统性能准确地对神经系统疾病进行分类。

意义

这项工作利用深度学习技术推动了EEG信号处理的发展，显著提高了多种神经系统疾病的实时诊断准确性。

章节摘录

引言：

神经系统疾病涵盖了从癫痫和自闭症到帕金森病和精神分裂症等多种病症。这些疾病在全球范围内普遍存在，被视为主要的致死和致残原因。由于它们的神经特征存在细微差异且症状存在重叠，诊断变得困难，这依赖于诊断技术的进步（Feigin等人，2020年）。根据世界卫生组织（2023年）的数据，每三个人中就有一人

方法论

我们的方法采用微单变量卷积神经网络（μCNN）根据EEG信号对神经系统疾病进行分类；图1详细展示了这一过程的可视化表示。该图总结了我们研究的各个步骤：

实验设置：

本节介绍了本文的实验设置，包括硬件和软件配置，以及训练和评估程序。

结果与讨论：

尽管该模型在多个公开可用的、涵盖多种神经系统疾病的数据集上进行了测试，但需要指出的是，这些数据集与训练数据并非完全独立。模型对先前见过的数据的泛化能力仍是一个持续研究的领域。为了提高外部有效性，未来的研究将把μCNN架构应用于更大、更多样化的数据集，从而更深入地了解其泛化能力。

结论与未来工作

本文介绍了一种先进的微单变量卷积神经网络（μCNN）架构，用于通过EEG信号识别多种神经系统疾病。在对EEG信号进行预处理后，μCNN模型从初始状态开始进行训练，学习可变的权重和偏置。通过对健康和异常EEG信号的数据集进行实证测试，训练期间达到了98.96%的总体准确率，验证期间达到了98.42%的准确率。

作者贡献声明

Sukomal Pal博士：撰写——审阅与编辑、形式分析。Rajeev Srivastava教授：撰写——审阅与编辑、可视化、指导、资源管理、方法论、形式分析。Shraddha Jain：撰写——初稿撰写、验证、软件开发、方法论构建、概念化

未引用的参考文献

Dagdevir和Tokmakci，2021年；Olejarczyk和Jernajczyk，2017年；Liu和Lv，2022年；Singh和Sridhar，2023年；Singh等人，2022年；Wu和Fokoue，2017年。

声明

利益冲突/竞争利益/资金情况 所有作者声明在本文讨论的主题或材料方面没有利益冲突或竞争利益。本手稿的编写未获得任何资助。

数据可用性

本研究使用的数据集均为公开可获取的

利益冲突声明

作者声明以下潜在的利益冲突：

•

Shraddha Jain和Rajeev Srivastava与可能影响本研究的个人或组织没有财务或个人关系。

•

作者未收到任何资助。

•

本研究未从任何商业实体获得任何财务支持。

Shraddha Jain是印度理工学院（IIT-BHU）计算机科学与工程专业的博士生，专注于EEG信号处理和深度学习在神经系统疾病检测中的应用。