机构名称：
¥ 1.0
脑电图（EEG）被广泛用作一种非侵入性技术，用于诊断几种脑部疾病，包括阿尔茨海默氏病和癫痫病。直到最近，人类专家已经通过脑电图读数发现了疾病，这不仅可能是特定的，而且很难找到，而且还会遭受人为错误。尽管最近出现了用于解释脑电图的机器学习方法，但大多数方法无法捕获人脑不同区域中信号之间的基本任意非欧几里得关系。在这种情况下，图形神经网络（GNN）因其在不同类型的图形结构数据中有效分析复杂关系的能力而引起了人们的关注。这包括脑电图，一个用例相对尚未探索。在本文中，我们旨在通过提出一项研究的研究来弥合这一差距，该研究应用于基于脑电图的阿尔茨海默氏病的检测以及对两种不同类型的癫痫发作的歧视。为此，我们通过证明单个GNN体系结构在两种用例中都可以实现最新性能来证明GNN的价值。通过设计空间探索和解释性分析，我们开发了一种基于图形的变压器，该变压器在阿尔茨海默氏病的三元分类变体和癫痫用例的三元分类变体中，可实现超过89％和96％的交叉验证准确性，与专家学家绘制的直觉相匹配。我们还讨论了GNN对脑电图的实时操作的计算效率，概括性和潜力，将其定位为分类各种神经病理学的宝贵工具，并为研究和临床实践开辟了新的前景。
阿尔茨海默氏病和癫痫用例
主要关键词
相关文件推荐
