研究中心在人工智能领域TOP期刊Knowledge-Based Systems发表癫痫综合征分类论文

发布者:余羽洁发布时间:2022-04-16浏览次数:10

Yuanmeng Feng, Runze Zheng, Xiaonan Cui, Tianlei Wang, Tiejia Jiang, Feng Gao, and Jiuwen Cao*, 3D Residual-Attention-Deep-Network-based Childhood Epilepsy Syndrome Classification, Knowledge-Based Systems, 2022, published online

儿童癫痫综合征影响全球大约0.5%1%的儿童,大多数发生在发展中国家,这是儿童期最常见的慢性神经系统疾病,患病儿童在言语表达,学业成绩以及生活自理能力上与正常儿童相比存在明显的滞后性。尽管儿童癫痫综合征的诊断和治疗取得了快速发展,但其误诊问题仍未得到有效解决,儿童癫痫综合征的准确分类对癫痫的临床诊疗具有重要意义。通过与浙江大学医学院附属儿童医院合作,围绕四类常见的癫痫综合征(BECTCAEFS+WEST),一类难以区分的癫痫综合征(Else)以及一类正常儿童(Normal)的长时监测脑电数据,我院人机混合智能与智慧健康研究中心在儿童癫痫综合征分类方向的研究论文“3D Residual-Attention-Deep-Network-based Childhood Epilepsy Syndrome Classification”被人工智能领域TOP期刊Knowledge-Based Systems录用。该研究有效解决了儿童癫痫综合征分类准确度不高的问题,提出了一种新的儿童癫痫综合征智能分类算法。

针对传统的智能分类算法以及2D卷积神经网络深度学习模型存在的问题,本发明结合儿童癫痫综合征临床诊断特点以及3D卷积神经网络在处理多通道信号方面的优势,引入注意力机制模块,提出了一种全新的3D注意力残差深度网络儿童癫痫综合征智能分类算法。论文主要贡献在于:1)提出了一种基于脑电时空特征的3D注意力残差深度网络分类框架;2)提出了一种新的3D注意力机制模块,可以有效挖掘多通道的特征信息。论文提出的分类算法在浙江大学医学院附属儿童医院37名入院者的临床数据上得到了验证。

论文第一作者为研究生冯袁盟,通讯作者为指导教师曹九稳教授,研究获得了国家自然科学基金重点、科技部重点研发和浙江省重点研发等项目的资助。


核心算法框图:

注意力模块框图:


中间特征可视化:

所提出的算法在分类结果方面的表现:


与其他分类算法的对比: