IAAFT增强BiLSTM模型

小样本高精度

通过迭代振幅调整傅里叶变换进行数据增强，大幅提升MCI与健康对照分类准确率。

李心 · Hao, Zhou · Su, Rui · 康健楠 · 孙玉 · 袁毅 · 韩璎 · 陈晓玲 · 谢平 · Yulin, Wang · Qinshuang, Liu

Biomedical Signal Processing and Control 2023

参数信息

分类准确率

97.20 %

技术优势

小样本也能训

IAAFT生成合成EEG样本，缓解了临床数据采集困难导致的样本不足。

准确率够高

模型分类准确率达97.20±1.74%，可辅助临床MCI筛查。

能抓时序特征

BiLSTM比传统方法更适合EEG分类任务，能更好地捕捉脑电时域连接。

应用场景

• 脑电图分析：用该模型处理静息态EEG，自动分类MCI与健康对照，减少人工判读。
• 阿尔茨海默病早筛：在临床小样本条件下提供高准确率MCI筛查，阻断向AD进展。
• 神经退行性疾病诊断：该数据增强方法可迁移到其他神经退行性疾病的EEG分类中。