BriefGPT - AI 论文速递
·
基于共享注意力的自编码器与层次融合图卷积网络用于sEEG发作起始区识别
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出共享注意力自编码器（sATAE）和层次融合图卷积网络（HFGCN），有效整合动态与静态特征，提升sEEG发作起始区（SOZ）的识别能力，实验结果表明其性能优越。
🎯
关键要点
- 本研究提出共享注意力自编码器（sATAE）和层次融合图卷积网络（HFGCN）。
- 研究解决了sEEG发作起始区（SOZ）识别中未考虑跨患者癫痫特征及其相互依赖性的问题。
- sATAE有效整合动态与静态特征，提高了对癫痫特征的综合学习能力。
- 实验结果表明，该方法在识别患者SOZ方面表现优异。
- 为sEEG基于SOZ识别提供了高效解决方案。
➡️
