XiaoMi-AI文件搜索系统
World File Search System信号数据
J-BHI 特刊“面向医疗保健的生物医学信号基础模型”
人工智能 (AI) 和医疗保健的快速发展为工程师、计算研究人员和医学专家提供了大量机会，可以开发用于健康监测、医疗诊断和治疗建议的创新算法，最终使医生和患者都受益。心电图 (ECG)、脑电图 (EEG) 和肌电图 (EMG) 等生物医学信号在各种健康状况的无创监测和诊断中起着至关重要的作用。这些生物医学信号富含临床有用的信息，分别反映了心脏、大脑和肌肉的潜在生理和病理状态。人工智能与这些信号的结合为提高医疗评估的准确性、效率和可及性开辟了新途径。例如，在心电图领域，基于人工智能的算法可以自动检测一些心律失常和异常，准确度接近专家级。然而，开发使用生物医学信号的可靠人工智能驱动诊断工具仍然面临着噪声、干扰、伪影以及对长期数据流进行稳健处理的需求等挑战。人工智能的最新进展，包括大型语言模型 (LLM)、Mamba 神经网络和生成式人工智能，为开发先进的神经网络模型以应对生物医学数据挑战开辟了新的机会。作为这一跨学科领域的基石，基础模型可以作为复杂的框架，整合大量生物医学信号数据，并能够创建更精确、更具体、更个性化的预测、诊断和治疗工具，从而有可能彻底改变诊断和监测领域。本期特刊旨在探索人工智能在人类医疗保健生物医学信号分析方面的最新进展和应用，这将为基础模型铺平道路。我们诚邀原创研究文章、评论和案例研究，涉及但不限于以下主题：
二维和三维脑电信号的 CNN 图像分类研究
摘要。目的：本研究的创新之处在于探索了多种脑电波信号数据预处理的新方法，其中提取统计特征，然后根据降维算法选择它们的顺序将其格式化为视觉图像。然后，这些数据被处理为 2D 和 3D CNN 的视觉输入，然后进一步提取“特征的特征”。方法：从三个脑电图数据集得出的统计特征在视觉空间中呈现，并分别在 2D 和 3D 空间中处理为像素和体素。对三个数据集进行了基准测试，即来自四个 TP9、AF7、AF8 和 TP10 10-20 电极的心理注意力状态和情绪价以及来自 64 个电极的眼睛状态数据。通过三种选择方法选择了 729 个特征，以便从相同的数据集中形成 27x27 图像和 9x9x9 立方体。为 2D 和 3D 预处理表示而设计的 CNN 学习从数据中卷积有用的图形特征。主要结果：70/30 分割方法表明，在 2D 中，特征选择分类准确度最高的方法是注意力状态的单一规则和情绪状态的相对熵。在眼部状态数据集中，3D 空间最佳，由对称不确定性选择。最后，使用 10 倍交叉验证来训练最佳拓扑。最终最佳 10 倍结果是注意力状态（2D CNN）97.03%，情绪状态（3D CNN）98.4%，眼部状态（3D CNN）97.96%。意义：本研究提出的框架的结果表明，CNN 可以成功地从一组预先计算的原始 EEG 波的统计时间特征中卷积出有用的特征。 K 折验证算法的高性能表明，除了预先计算的特征之外，CNN 学习到的特征还包含对分类有用的知识。
基于大脑电活动信号的机器学习方法的新型自动听力检查系统设计
摘要：本研究使用机器学习，利用 EEG 信号自主执行听力测试（听力测定）过程。在标准听力测试中，给受试者提供不同幅度和波长的声音，这些声音是通过 MATLAB GUI 设计的界面随机分配的。受试者表示，他听到了用耳机听到的随机大小的声音，但如果没有听到，他就不会采取行动。同时，跟踪 EEG（脑电图）信号，并记录受试者注意和未听到的声音在大脑中产生的波。对测试结束时生成的 EEG 数据进行预处理，然后进行特征提取。将从 MATLAB 接口接收到的听到和未听到的信息与 EEG 信号相结合，确定受试者听到了哪些声音，没有听到哪些声音。在通过界面给出的声音之间的等待期间，不会给受试者提供任何声音。因此，这些时间在 EEG 信号中标记为未听到。本研究使用 Brain Products Vamp 16 脑电图仪测量脑信号，然后使用 Brain Vision Recorder 程序和 MATLAB 创建脑电图原始数据。在从大脑中听到和未听到的声音产生的信号数据创建数据集之后，使用 PYTHON 编程语言进行机器学习过程。使用 Python 编程语言获取用 MATLAB 创建的原始数据，在完成预处理步骤之后，将机器学习方法应用于分类算法。每个原始脑电图数据都通过 Count Vectorizer 方法检测。使用 TF-IDF（词频-逆文档频率）方法计算所有脑电图数据中每个脑电图信号的重要性。根据人们是否能听到声音对获得的数据集进行分类。在分析中应用了朴素贝叶斯、光梯度强化机 (LGBM)、支持向量机 (SVM)、决策树、k-NN、逻辑回归和随机森林分类器算法。我们研究中选择的算法之所以受到青睐，是因为它们在 ML 中表现出色，并成功分析了 EEG 信号。所选分类算法还具有可在线使用的特点。使用了朴素贝叶斯、光梯度强化机 (LGBM)、支持向量机 (SVM)、决策树、k-NN、逻辑回归和随机森林分类器算法。在 EEG 信号的分析中，光梯度强化机 (LGBM) 被评为最佳方法。确定预测最成功的算法是 LGBM 分类算法的预测，成功率为 84%。这项研究表明，也可以使用 EEG 设备检测到的脑电波进行听力测试。虽然可以创建完全独立的听力测试，可能需要听力学家或医生来评估结果。