机构名称：
¥ 1.0
脑电图（EEG）对于监测和诊断脑疾病至关重要。然而，脑电图信号遭受非脑部伪影引起的扰动，从而限制了其效率。当前的伪影检测管道是渴望资源的，并且严重依赖手工制作的功能。此外，这些管道本质上是决定性的，使它们无法捕获预测性不确定性。我们提出了E 4 g，这是一个高频脑电图检测的深度学习框架。我们的框架利用了早期出口范式，建立了能够捕获不确定性的模型的隐性集合。我们将对坦普尔大学的脑电图施工（v2.0）进行评估，以实现现状的分类结果。此外，E 4 g提供了良好的不确定性指标，可与采样技术相吻合，例如仅在一次前传球中蒙特卡洛辍学。e 4 g为支持临床医生在环框架中的不确定性感知人工检测打开了大门。
高频脑电图检测与不确定性通过早期出口范式
主要关键词
相关文件推荐
