基于神经网络的脑电信号体质检测研究

针对神经学专家根据青少年脑电图信号判断癫痫状况耗时长、具有主观性且容易出现误诊的问题,本研究提出了一种基于注意力机制的青少年癫痫体质检测方法。首先在预处理阶段为了拥有更多的上下文信息,将一维信号转化为二维图像,然后以VGG网络为基础,将注意力机制引入网络,给重要特征信息赋予更多的权重,最后将处理后的脑电图输入到本研究所提出的网络中进行分类检测。结果表明,本研究算法在新德里HauzKhas的神经和睡眠中心收集的数据集上进行实验,得到了99.7%的分类准确率,并在CHB-MIT数据集上进行了验证。本研究算法在脑电图信号分类方面具有潜力,对青少年癫痫体质的检测具有一定的指导意义。

融合生成对抗网络的青少年脑MRI配准体测研究

目的为了解决UNet框架上采样过程中信息丢失的问题,本文采用青少年脑部MRI研究网络学习能力弱和脑部边缘区域配准精度不高的问题。材料与方法本文采用公开可用的脑部MRI数据集:HBN和LPBA40,提出了一种结合多尺度注意力机制的生成对抗网络(multiscale attention mechanisms generative adversarial networks,MAMGAN)配准模型,实现了单模态脑图像配准。该方法由配准网络和鉴别网络组成。通过在鉴别网络中添加多尺度注意力机制(multiscale attention mechanisms,MAM)模块获取不同尺度下的上下文信息,在对抗训练过程中提取到更有效的大脑结构特征。其次,在配准网络中引入了图像相似性的局部互相关损失函数,约束移动图像与固定图像之间的相似性,在两个网络的对抗训练过程中进一步提高图像配准的性能。本文使用Dice系数(Dice coefficient,Dice)、结构相似度(structural similarity,SSIM)和皮尔森相关系数(Pearson’s correlation coefficient,PCC)衡量配准图像与固定图像的配准精度。结果MAM GAN方法在Dice指标上相对于传统的方法,脑脊液(cerebrospinal fluid,CSF)、脑灰质(gray matter,GM)和脑白质(white matter,WM)精度分别提高了0.013、0.023和0.028,PCC指标提高了0.004,SSIM指标提高了0.011。由此可见,该方法配准效果好。结论MAM GAN方法能够更好地学习到脑部结构特征,提升了配准的性能,为青少年多动症临床诊断和体质检测提供技术基础。