IEEE JBHI IF=6.7 基于深度学习和脑电图实现扩散性去极化的实时无创检测

正文

请到「今天看啥」查看全文

由于脑电图（EEG）的非侵入性和在床旁实时监测的潜力，研究人员希望通过EEG实现对扩散去极化的实时监测。

（6）然而，EEG所采集的脑电波信号因受到皮肤和颅骨的衰减干扰，且包含大量噪声，导致其难以精确检测扩散去极化。

0.4 技术挑战

当前传统的检测方法通常基于EEG信号的时域功率变化。然而，这些方法面临着如下挑战：

1.信号衰减：

皮肤和颅骨的阻隔作用使得EEG信号在检测扩散去极化时常常模糊不清。

2.噪声干扰：

EEG信号容易受到肌电图（EMG）等非脑源性信号的干扰

3.硬件局限：

传统检测方法需要高密度电极阵列，这在许多临床场景下难以实现，尤其是对于创伤术后病人。

1.研究方案

本研究针对这些挑战，提出了一种 结合频谱图和脑电波功率的超轻量深度学习网络 ，通过将 EEG信号转化为二维的频谱图像并结合一维时间功率波形 ，使得扩散去极化的检测更加精确。该方法具备以下几大技术创新：

1.频谱图像输入：

研究首次提出通过将 EEG信号进行短时傅里叶变换（STFT），将其转换为二维的频谱图像 ，这使得模型能够通过时间和频率两个维度来分析EEG信号，从而更好地捕捉扩散去极化的特征。

2.深度学习融合：

模型融合了临床上未广泛探索的新的生物标志频谱图像和临床指南广泛应用推荐的EEG脑电波功率， 通过多模态输入提升了检测准确率。相比传统方法，该模型不再依赖固定的电极布置 ，允许低密度和可变位置的电极，极大提高了临床应用的灵活性。

2.结果

本研究提出了一种用于非侵入性检测扩散去极化（SD）的超轻量深度学习模型，并通过详细的实验验证了其优越性能。以下是主要结果的总结：

1.检测性能优异：

模型的双路径架构（结合二维频谱图像和一维功率向量）在SD检测中表现出色，特异性达91.55%，准确率为85.67%。这表明该模型能够在脑电图（EEG）信号中有效检测到SD事件，并且具有较高的准确性。相较于传统方法，该模型通过频谱图的加入，显著提高了检测的可靠性。

2.频谱图作为独立生物标记物的有效性：

研究发现，仅使用频谱图像作为输入时，模型在SD峰值检测中的灵敏度高达99.78%，显示频谱图在检测SD时是一种有效的生物标记物。相比传统的时间功率向量，频谱图能够更好地捕捉到SD特征，尤其是在噪声干扰较大的情况下。

3.快速处理能力：

模型处理速度极快，即使在无GPU的普通计算机设备（仅CPU）上，每小时EEG数据的处理时间少于0.3秒。相比于传统方法需要2小时处理同样的数据量，该模型的超快处理速度使得实时检测在常规临床计算机设备上成为可能，能够应用于临床床旁实时监测。

4.高适用性：

模型不依赖固定电极布局，可以灵活应对不同密度和位置的电极配置，这使得它在术后监护、重症监护（ICU）等复杂临床环境中具有广泛的应用潜力。传统方法对电极布局要求严格，而该模型则允许更为灵活的设置，增加了其在临床中的可操作性，为大规模推广和应用于早期脑损伤预后的实时监测提供了可能性。

请到「今天看啥」查看全文