基于时空和频域特征的EEG帕金森疾病识别

脑电图(EEG)中蕴含着有关脑功能的丰富信息,这些信息对不同类型神经系统疾病的检测和诊断非常重要。针对单一特征无法充分表达脑电信号的问题,本文融合了频域特征和时空信息来更好的对信号进行表征,并提出一种基于时空和频域特征的注意力网络(STFACN)用于帕金森疾病(PD)的自动检测。在频域角度,利用快速傅里叶变换法从多通道脑电图中求取Delta、Theta、Alpha频段的平均功率特征。同时构建基于时空特征的紧凑型卷积神经网络,并将通道注意力机制嵌入到网络中,自适应提取表征PD的时空特征。最后将基于频域特征的模型与基于时空特征的紧凑型卷积神经网络模型进行融合,在新墨西哥州大学(UNM)数据集上进行实验,特异性、敏感性、准确率分别达到87.97%、84.39%、86.89%。在爱荷华大学(UI)数据集上进行跨数据集实验,准确率达到77.33%。实验结果表明：与现有的方法相比,本文提出的方法能够从原始脑电图中挖掘出有效特征,在基于EEG的帕金森疾病识别问题上准确率高,泛化能力强。