그래프 변환기 네트워크를 통한 비극성 뇌파 분류

심전도 신호를 통한 딥 러닝 기반의 발작 인식은 임상에서 상당한 가능성을 보여주었습니다. 딥 러닝 알고리즘은 기존의 기계 학습 기법에 비해 간질 식별 정확도를 향상시킬 수 있지만, 전기 뇌파 기록에서 다채널 신호 간의 연관성을 기반으로 한 간질 활동 분류는 여전히 자동화된 발작 분류에서 도전 과제로 남아 있습니다. 더욱이, 기존의 딥 러닝 모델이 단일 아키텍처만으로 구성되었다는 사실로 인해 일반화 성능이 유지되기 힘듭니다. 이 연구는 하이브리드 프레임워크를 사용하여 이 문제를 해결하는 데 중점을 둡니다. 즉, 혁신적인 그래프 신경망 및 변환기 아키텍처에 기반한 하이브리드 딥 러닝 모델이 제안되었습니다. 제안된 딥 아키텍처는 다채널 신호 간의 내적 관계를 발견하기 위한 그래프 모델과 채널 간의 이질적 연관성을 드러내기 위한 변환기로 구성됩니다. 제안된 접근 방식의 성능을 평가하기 위해 최신 알고리즘과 우리의 알고리즘 간의 비교 실험이 공개 데이터 세트에서 수행되었습니다. 실험 결과는 제안된 방법이 시기 기반 간질 EEG 분류를 위한 잠재적으로 유용한 도구임을 입증합니다.