基于脑电图（EEG）的有害脑活动分类：结合深度学习和特征融合技术

《Scientific Reports》：EEG-based harmful brain activity classification using deep learning and feature fusion

　　

摘要

关于有害脑活动的研究日益增多，尤其是在脑电图（EEG）术语标准化之后。由于专业人才的持续短缺，重症患者的痛苦加剧，死亡率也有所上升。因此，开发一种能够检测和分类有害脑活动的自动化系统至关重要，这不仅可以提高患者的安全性，还有可能挽救生命。本研究提出了一种新的有害脑活动分类方法。该方法采用了多种特征进行融合处理，并通过双层一维卷积神经网络（CNN）模型来实现。为了验证该方法的可靠性，使用了哈佛医学院（HMS）的数据集进行了系列实验。此外，还通过消融分析和可解释人工智能技术进一步证明了该方法的稳健性。本文提出了一种用于分类癫痫发作及类似癫痫发作模式的特征级融合方案。本研究提出的最佳模型（模型8）的准确率为98.14%，损失值为0.05；而同一模型经过10折交叉验证后的准确率达到了99%。