Ứng dụng mạng nơ-ron xung với kiến trúc truyền thẳng cho nhận dạng bệnh động kinh
Tóm tắt: 10
| 
PDF: 12 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
Mạng Nơ-ron Xung
kiến trúc Feedforward
nhận dạng bệnh động kinh
tín hiệu điện não đồ
học sâu
Tóm tắt
Bệnh động kinh là một trong những rối loạn thần kinh phổ biến nhất, ảnh hưởng đến hàng triệu người trên thế giới. Phương pháp truyền thống trong phát hiện và dự đoán cơn động kinh thường dựa vào phân tích tín hiệu điện não đồ (Electroencephalogram Signals -EEG) qua các thuật toán máy học. Bài báo này đề xuất sử dụng mạng nơ-ron xung (Spiking Neural Networks-SNNs) với kiến trúc mạng truyền thẳng (feedforward) như một giải pháp mới nhằm nâng cao độ chính xác và tốc độ trong nhận dạng các cơn động kinh từ tín hiệu EEG. Kết quả thử nghiệm cho thấy, SNNs có khả năng nhận dạng chính xác cơn động kinh, đồng thời giảm độ phức tạp tính toán mà vẫn đảm bảo yêu cầu về độ chính xác. Tín hiệu điện não sau khi mã hóa thành chuỗi xung được đánh giá trên hai kiến trúc mạng khác nhau. Kết quả tốt nhất là độ trễ phát hiện 97 ms và độ chính xác 96,3% cho mạng feedforward lớn với 150 nơ-ron, với chỉ một số ít xung nằm ngoài sự kiện co giật.
Tài liệu tham khảo
-
[1] D. Anh, T. X. Tu, D. N. Khanh, and F. Iacopid, “A low-power, high-accuracy with fully on-chip ternary weight hardware architecture for Deep Spiking Neural Networks”, Microprocessors and Microsystems, vol. 90, pp. 104458, April 2022. https://doi.org/10.1016/j.micpro.2022.104458.
[2] Strzelczyk et al., “The impact of epilepsy on quality of life”, Findings from a European survey, Epilepsy & Behavior, vol. 142, pp. 109179, 2023. https://doi.org/10.1016/j.yebeh.2023.109179.
[3] S. Boylan, L. A. Flint, D. L. Labovitz, S. C. Jackson, K. Starner, and O. Devinsky, “Depression but not seizure frequency predicts quality of life in treatment-resistant epilepsy”, Neurology, vol. 62, pp. 258 – 261, 2004. https://doi.org/10.1212/01.wnl.0000103282.62353.85
[4] Marcin, P. Engelhart, J. Lerner, D. Dill, G. L’Italien, V. Coric, J. Matsumoto, and M. Potashman, “Determinants of Health-related Quality of Life of Patients with Focal Epilepsy: A Systematic Literature Review”, Neurology, vol. 102, no. 17, pp. 9-1016, 2024. https://doi.org/10.1212/WNL.000000000020482.
[5] Zhao, E. Donati, and G. Indiveri, "Neuromorphic Implementation of Spiking Relational Neural Network for Motor Control”, in 2nd IEEE International Conference on Artificial Intelligence Circuits and Systems (AICAS), Genova, Italy, 2020, pp. 89-93. https://doi.org/10.1109/AICAS48895.2020.9073829.
[6] G. Dastidar and H. Adeli, ‘Improved Spiking Neural Networks for EEG Classification and Epilepsy and Seizure Detection”. Integrated Computer-Aided Engineering, vol. 14, no. 3, pp. 187-212, 2007. https://doi.org/10.3233/ICA-2007-14301
[7] J. Grahn, G. W. Mallory, B. M. Berry, J. T Hachmann, D. A Lobel, and J. L. Lujan, “Restoration of motor function following spinal cord injury via optimal control of intraspinal microstimulation: toward a next generation closed-loop neural prosthesis”. Frontiers in Neuroscience, vol. 8, pp. 296. 2014. https://doi.org/10.3389/fnins.2014.00296.
[8] D. M. Ribeiro et al., “ECG-based real-time arrhythmia monitoring using quantized deep neural networks: A feasibility study”, Computers in Biology and Medicine, vol. 143, pp. 105249, 2022. https://doi.org/10.1016/j.compbiomed.2022.105249
[9] Maass, “Networks of spiking neurons: The third generation of neural network models”, Neural Networks, vol. 10, no. 9, pp. 1659–1671, 1997. https://doi.org/10.1016/S0893-6080(97)00011-7
[10] Bouvier, A. Valentian, T. Mesquida, F. Rummens, M. Reyboz, E. Vianello, and E. Beigne, “Spiking neural networks hardware implementations and challenges”, ACM Journal on Emerging Technologies in Computing Systems, vol. 15, pp. 1–35, Apr. 2019
[11] Panuccio, “Hermes”, hermes-fet.eu, March, 2020. [Online]. Available: https://hermes-fet.eu/ [Accessed March, 09, 2020].
[12] Kasabov et al., “Evolving spatio-temporal data machines based on the NeuCube neuromorphic framework: Design methodology and selected applications”. Neural Networks, vol. 78, pp. 1–14, 2016. https://doi.org/10.1016/j.neunet.2015.09.011.
[13] Bi and M. Poo, “Synaptic modification by correlated activity: Hebb's postulate revisited”, Annual Review of Neuroscience, vol. 24, pp. 139–166, 2001. https://doi.org/10.1146/annurev.neuro.24.1.139.
[14] Gerstner, W. M. Kistler, R. Naud, and L. Paninski, Neuronal dynamics: from single neurons to networks and models of cognition, Cambridge, United Kingdom: Cambridge University Press, 2014.
[15] Izhikevich, “Simple model of spiking neurons”, IEEE Transactions on Neural Networks, vol. 14, pp. 1569–1572, 2003.
[16] S. Fisher, H. E. Scharfman, and M. deCurtis, “How can we identify ictal and interictal abnormal activity?”, in Issues in Clinical Epileptology: A View from the Bench, pp. 3–23, Springer Netherlands, 2014.
[17] Maass, T. Natschläger, and H. Markram, “Real-time computing without stable states: A new framework for neural computation based on perturbations”, Neural Computation, vol. 14, pp. 2531–2560, 2002. https://doi.org/10.1162/089976602760407955.
[18] G. Panuccio, I. Colombi, and M. Chiappalone, “Recording and modulation of epileptiform activity in rodent brain slices coupled to microelectrode arrays”, Journal of Visualized Experiments, vol. 135, pp. 57548, 2018.
Xem thêm
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
Nov 30, 2024
Download
Cách trích dẫn
Vũ Vân Thanh, Phan Trần Đăng Khoa, Huỳnh Thanh Tùng, và Trần Văn Líc. “Ứng dụng mạng Nơ-Ron Xung với kiến Trúc truyền thẳng Cho nhận dạng bệnh động Kinh”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 22, số p.h 11A, Tháng Mười-Một 2024, tr 32-37, https://jst-ud.vn/jst-ud/article/view/9478.
