深度学习赋能良性阵发性位置性眩晕（BPPV）眼震信号诊断新框架

临床中，良性阵发性位置性眩晕（BPPV）常见，其诊断依赖眼震观察，但现有采集分析眼震数据的设备存在不足。研究人员开发 BPPV 眼震数据采集与智能分析框架，结合 Egeunet 模型和 FFT 技术，检测性能出色，有助于临床决策。

　　良性阵发性位置性眩晕（Benign Paroxysmal Positional Vertigo，BPPV）是临床常见的前庭疾病。诊断该疾病主要依靠观察眼球震颤（nystagmus），即监测患者的眼球运动。然而，现有的用于收集和分析眼球震颤数据的医疗设备存在显著的局限性和不足。

为应对这一挑战，开发了一个全面的 BPPV 眼球震颤数据收集和智能分析框架。该框架利用神经网络模型 Egeunet，结合快速傅里叶变换（Fast Fourier Transform，FFT）等数学统计技术，能够精确分割眼部结构并准确分析眼球运动数据。此外，还引入了一种眼球运动分析方法，旨在加强临床决策，使分析结果更直观清晰。得益于高灵敏度的眼球运动捕捉技术以及其在环境条件和噪声下的稳健性，该 BPPV 眼球震颤数据收集和智能分析框架在 BPPV 检测中表现卓越。