机构名称：
¥ 1.0
摘要：创伤性脑损伤（TBI）是死亡和残疾的常见原因。但是，现有的TBI诊断工具是主观的，或者需要广泛的临床设置和专业知识。相对较高的计算系统的大小以及与TBI相关的机器学习研究的有希望的结果相结合的可负担性和减少，使得创建紧凑和便携式系统以早期检测到TBI成为可能。这项工作描述了基于Raspberry Pi的便携式，实时数据采集和自动处理系统，该系统使用机器学习来有效识别TBI并自动从单渠道电脑电脑（EEG）信号中自动为睡眠阶段分数。我们讨论了可以使用数字转换器（ADC）的类似物对EEG信号进行数字数字化的系统的设计，实现和验证，并执行实时信号分类以检测到温和TBI（MTBI）的存在。我们利用卷积神经网络（CNN）和基于XGBoost的预测模型来评估系统的性能和降低系统的多功能性，以使用多种类型的预测模型运行。，对于TBI与控制条件，在16 s -64 S时期的分类时间小于1 s的分类时间中，峰分类精度超过90％。这项工作可以实现适合现场使用的系统的开发，而无需为早期TBI检测应用和TBI研究提供专门的医疗设备。此外，这项工作开放了实施连接的，实时TBI与健康和健康监测系统的途径。
单通道脑电图
主要关键词
相关文件推荐
