Гібридна система класифікації ЕЕГ: поєднання EfficientNet та градієнтного бустингу для виявлення шкідливої активності мозку

Abstract

Розроблена гібридна система класифікації ЕЕГ поєднує клінічно валідовані методи попередньої обробки (біполярна конфігурація, фільтр Баттерворта, mu-кодування), двохвхідну архітектуру EfficientNet-B2 та двоетапну стратегію навчання з використанням трикратного ансамблевого навчання. Ключовим внеском є впровадження компонента GBDT, який компенсує системну слабкість згорткових нейронних мереж у виявленні статистичних залежностей між ділянками мозку. Збалансоване поєднання нейронної мережі та GBDT забезпечило стабільне зменшення розбіжності Кульбака–Лейблера на валідаційному наборі даних. Результати підтверджують, що гібридні системи, в яких методи глибокого навчання та класичного машинного навчання взаємодоповнюють один одного, є перспективним напрямом.