视觉信号

通过创新的视觉信号分析探索神经科学疾病检测的新视野

脑部疾病是全球面临的重大健康挑战，一直是全球死亡的主要原因。脑电图 (EEG) 分析对于诊断脑部疾病至关重要，但对于医务人员来说，解读复杂的 EEG 信号并做出准确诊断却极具挑战性。为了解决这个问题，我们的研究重点是将复杂的 EEG 信号可视化为医疗专业人员和深度学习算法容易理解的格式。我们提出了一种称为前向后向傅里叶变换 (FBFT) 的新型时频 (TF) 变换，并利用卷积神经网络 (CNN) 从 TF 图像中提取有意义的特征并对脑部疾病进行分类。我们引入了肉眼裸眼分类的概念，将领域特定知识和临床专业知识整合到分类过程中。我们的研究证明了 FBFT 方法的有效性，使用基于 CNN 的分类在多种脑部疾病中实现了令人印象深刻的准确率。具体来说，我们使用基于 CNN 的分类方法对癫痫、阿尔茨海默病 (AD) 、杂音和精神压力的准确率分别达到了 99.82%、95.91%、85.1% 和 100%。此外，在肉眼分类方面，我们对癫痫、AD、杂音和精神压力的准确率分别达到了 78.6%、71.9%、82.7% 和 91.0%。此外，我们结合了基于平均相关系数 (mCC) 的通道选择方法来进一步提高分类的准确性。通过结合这些创新方法，我们的研究增强了 EEG 信号的可视化，为医疗专业人员提供了对 TF 医学图像的更深入了解。这项研究有可能弥合图像分类和视觉医学解释之间的差距，从而更好地检测疾病并改善神经科学领域的患者护理。