Архитектура нашей нейронной сети

Основой нашего диагностического инструмента является нейронная сеть, разработанная для анализа карт когерентности ЭЭГ, позволяющая различать здоровых индивидов и индивидов, страдающих болезнью Паркинсона. Модель основана на обработке данных ЭЭГ в многоканальном режиме, уделяя внимание различным частотным диапазонам, связанным с движением и вниманием, что крайне важно для диагностики болезни Паркинсона.

Наша модель, названная OneFrequencyModel, включает в себя четыре ветви: Motion_Left, Motion_Right, Attention_Left и Attention_Right. Каждая ветвь обрабатывает входной канал независимо через три сверточных блока, за которыми следуют слои максимального пулинга и dropout для уменьшения числа признаков и регуляризации соответственно. Сверточные блоки помогают извлекать пространственные характеристики из карт когерентности ЭЭГ, в то время как слои пулинга уменьшают пространственные размеры, а слои dropout предотвращают переобучение.

В классе Branch начальный сверточный слой начинается с указанного количества фильтров (core_number) и определенного размера ядра (core_shape). За ним следуют слой пулинга и слой dropout. Эта структура повторяется три раза с удвоением количества фильтров в каждом последующем сверточном блоке для выявления более сложных признаков.

После прохождения данных через эти ветви выходы объединяются и подаются на полносвязный (FC) слой. Три последовательных полносвязных слоя дальше обрабатывают данные, с dropout для регуляризации, и в конечном итоге выдают одно значение, представляющее вероятность наличия болезни Паркинсона. Сигмоидальная функция активации, используемая в этих слоях, обеспечивает выходное значение в диапазоне от 0 до 1, предоставляя ясную вероятностную оценку.

Этот модульный и иерархический дизайн не только обеспечивает тонкий анализ, необходимый для точной диагностики, но и предлагает шаблон для расширения модели с целью учета дополнительных данных или более сложных архитектур в будущем.