基于 FLSNN 框架的脑电图信号检测：多神经疾病诊断新突破

为解决脑电图（EEG）诊断难题，研究人员提出 FLSNN 框架，大幅提升检测准确率和速度。

　　神经系统疾病是全球主要的健康问题，对死亡率和生活质量有着重大影响。由于数据本身存在不确定性，且脑电图（EEG）模式存在重叠，传统的 EEG 诊断方法常常面临困难。本文提出了一种新颖的框架，该框架集成了模糊逻辑和脉冲神经网络（FLSNN），以提高从 EEG 信号中检测多种神经系统疾病的准确性和稳健性。在多种神经系统疾病的诊断中，主要动机是克服现有方法无法处理 EEG 信号复杂和重叠特性的局限性。关键目标是在单一框架中提供一个统一的、自动化的解决方案，用于检测癫痫、帕金森病、阿尔茨海默病、精神分裂症和中风等多种神经系统疾病。在 FLSNN 框架中，EEG 数据会先进行预处理以去除噪声和伪影，在应用脉冲神经网络分析信号的时间和动态之前，会使用模糊逻辑模型处理不确定性。该框架处理 EEG 数据的速度比传统技术快三倍。该框架在二分类中的准确率达到 97.46%，在多分类中的准确率达到 98.87%，显示出更高的效率。这项研究在利用 EEG 进行多种神经系统疾病的诊断方面取得了重大进展，提高了从 EEG 信号进行诊断的质量和速度，推动了基于人工智能的医学诊断的发展。源代码将在https://github.com/jainshraddha12/FLSNN上向公众开放。