.png){kind=icon}
返回
CMEpiNet: Complex-Valued Multimodal Epilepsy Detection Network Model
.png){kind=icon}
OA
AI
DOI：10.3390/s26134186.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有癫痫检测方法无法充分挖掘多模态信号的时空特征，也无法捕捉跨模态特征之间的深层关联，这限制了其学习时空依赖统一表示的能力。本研究提出CMEpiNet（复数域多模态癫痫检测网络模型）以解决此问题。CMEpiNet首先采用复数域卷积进行特征提取，显式建模相位同步、相位偏移和跨频耦合，从而将EEG、ECG和EMG特征表示在复数域中。在特征融合阶段，CMEpiNet采用两级语义对齐融合方法，在共享对齐空间中应用跨模态一致性约束，并在癫痫相关语义潜在空间中进行分布级对齐，这些操作确保了多模态特征在全局语义结构中的一致性。最后，CMEpiNet采用空间注意力引导的3D卷积分类器，联合建模时间、特征和模态维度。在SeizeIT2数据集上的实验结果表明，CMEpiNet提高了癫痫检测灵敏度，降低了误报率，并在扰动下保持稳定性能。
Keyword:
feature fusion
machine learning
deep learning
epilepsy detection
classification
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Optimized deep neural network architecture for robust detection of epileptic seizures using EEG signals优化的深度神经网络架构，用于使用EEG信号对癫痫发作进行鲁棒检测
PREAI
分享收藏Automated epileptic seizure detection using improved correlation-based feature selection with random forest classifier.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Seizure detection by convolutional neural network-based analysis of scalp electroencephalography plot imagesNEUROIMAGE-CLINICAL
OAAI
NEUROIMAGE-CLINICALIF3.6
OAAI分享收藏SeizeIT2: Wearable Dataset Of Patients With Focal EpilepsySeizeIT2：伴有局灶性癫痫患者的可穿戴数据集Scientific DataOAAI
Scientific DataIF6.9
OAAI分享收藏Detection of epileptic electroencephalogram based on Permutation Entropy and Support Vector Machines基于排列熵和支持向量机的癫痫脑电检测
PREAI
分享收藏
查看更多内容