چارچوب ترکیبی مبتنی بر یادگیری عمیق و روش تجمیعی برای تشخیص صرع از با استفاده از سیگنال‌های eeg

در این پژوهش، چارچوبی ترکیبی برای تشخیص صرع از سیگنال‌های eeg ارائه شده است. در این چارچوب ابتدا داده‌های خام مجموعه داده eeg bonn با استفاده از تبدیل فوریه کوتاه‌مدت (stft) به طیف‌نگاشت‌های دوبعدی 96×96 پیکسل تبدیل و مشتقات زمانی و فرکانسی آن‌ها محاسبه شدند. سپس یک شبکه عصبی کانولوشنی دو‌بعدی (2d-cnn) مبتنی بر بلوک‌های باقیمانده (residual blocks) و مجهز به مکانیسم توجه فشرده‌سازی-برانگیختگی (squeeze-and-excitation, se) طراحی شد. برای افزایش قابلیت تعمیم‌پذیری، از تکنیک‌های برهم‌نهی داده‌ها (mixup) و هموارسازی برچسب استفاده شد. در ادامه، بردارهای ویژگی استخراج‌شده توسط شبکه cnn به یک طبقه‌بندی‌کننده مبتنی بر الگوریتم extratrees داده شدند و خروجی‌های هر دو مدل در قالب یک روش تجمیعی (ensemble) با یکدیگر ترکیب شدند. نتایج اعتبارسنجی متقابل پنج‌بخشی نشان داد که مدل پیشنهادی به میانگین دقت 98.6%، حساسیت 98.3% و مقدار f1-score برابر 98.6% دست یافت. این مقادیر بیانگر عملکرد برتر مدل پیشنهادی نسبت به روش‌های مشابه هستند. دقت بالای به‌دست‌آمده نشان‌دهنده اثربخشی چارچوب پیشنهادی در تشخیص صرع است.

a hybrid deep learning and ensemble-based framework for epilepsy detection using eeg signals

in this study, a hybrid framework for epilepsy detection from eeg signals is proposed. first, the raw eeg data from the bonn dataset were transformed into 96×96 pixel spectrograms using the short-time fourier transform (stft), and their temporal and frequency derivatives were computed. subsequently, a two-dimensional convolutional neural network (2d-cnn) based on residual blocks and equipped with a squeeze-and-excitation (se) attention mechanism was designed. to enhance generalization capability, the mixup data augmentation technique and label smoothing were employed. the feature vectors extracted by the cnn were then fed into an extratrees-based classifier, and the outputs of both models were combined through an ensemble strategy. five-fold cross-validation results demonstrated that the proposed model achieved an average accuracy of 98.6%, sensitivity of 98.3%, and an f1-score of 98.6%. these findings highlight the superior performance of the proposed framework compared to similar approaches, indicating its effectiveness for reliable epilepsy detection