TY -的A2 -艾哈迈德,赛义德·哈桑盟——刘Zimo AU -魏,澎湖AU -王,yip AU -杨,延锋AU -戴,杨盟——曹Gongpeng AU -康Guixia盟——山,Yongzhi盟——刘,达盟——谢Yongzhao PY - 2021 Da - 2021/12/28 TI -自动检测基于端到端的Bi-Branch神经网络的高频振荡和临床交叉验证SP - 7532241六世- 2021 AB -准确识别高频振荡(高频振荡器)癫痫灶的精确定位是一个重要的先决条件和drug-refractory癫痫的预后良好。探索一个高频振荡器的高性能自动检测方法可以有效地帮助临床医生减少出错率,减少人力。由于有限的分析视角和简单的模型设计,很难满足临床应用的要求,现有的方法。因此,一个端到端的bi-branch融合模型提出了自动检测高频振荡器。与过滤带通信号(信号分支)和时频图像(TFpic分支)作为模型的输入,两个骨干网络深特征提取,分别。具体地说,基于ResNet1d混合模型和长期短期记忆(LSTM)是专为信号分支,既可以关注的特性在时间和空间维度,而ResNet2d卷积块关注模块(CBAM)构造TFpic分支,而更多的是注意TF图像的有用信息。那么两个分支的输出是高频振荡器的融合实现端到端自动识别。我们的方法验证5日难治性癫痫患者。intravalidation,该方法获得高灵敏度为94.62%,特异性为92.7%,和93.33%,F1-score交叉验证,我们的方法实现高灵敏度为92.00%,特异性88.26%,F1-score平均的89.11%。结果表明,该方法优于现有的检测模式的单一信号或单一时频图的策略。 In addition, the average kappa coefficient of visual analysis and automatic detection results is 0.795. The method shows strong generalization ability and high degree of consistency with the gold standard meanwhile. Therefore, it has great potential to be a clinical assistant tool. SN - 1687-5265 UR - https://doi.org/10.1155/2021/7532241 DO - 10.1155/2021/7532241 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -