期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
多尺度编码器结合卷积Transformer对癫痫的分类
1
作者 翟凤文 高康霞 +1 位作者 金静 魏帮财 《中国医学物理学杂志》 2025年第12期1621-1631,共11页
针对多数结合Transformer的模型不能充分学习脑电信号中丰富的时空信息这一局限性,设计多尺度时空卷积编码器模块和密集卷积Transformer模块,并将这两种模块相结合提出MTSDCformer模型以实现对癫痫患者脑电图(EEG)信号的预测与分类。首... 针对多数结合Transformer的模型不能充分学习脑电信号中丰富的时空信息这一局限性,设计多尺度时空卷积编码器模块和密集卷积Transformer模块,并将这两种模块相结合提出MTSDCformer模型以实现对癫痫患者脑电图(EEG)信号的预测与分类。首先,该模型使用多尺度时空特征编码器对分段的EEG信号提取时间维度以及通道维度的特征信息;其次,将学习局部信息的卷积分支集成到Transformer编码器上形成密集卷积Transformer(DCT)模块,通过多层的DCT模块来学习EEG信号的全局依赖关系以及更细粒度的时间特征;然后,进一步通过信息纯化单元对EEG信号中的频率信息进行编码以提取中间层的详细特征;最后,根据提取的特征对输入的EEG信号进行分类,判断患者是否患有癫痫。实验部分在UPenn&Mayo诊所挑战数据集和麻省理工学院的波士顿儿童医院(CHB-MIT)公共数据集上讨论模型的有效性,实验结果表明MTSDCformer模型相较于LSTM、Vision Transformer、Compact Convolution Transformer、EEGConformer、EEGNet、R-Transformer和ARNN等基线方法表现出更好的性能。 展开更多
关键词 脑电图信号 癫痫 深度学习 mtsdcformer IP单元
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部