Journal of Neural Engineering· Conghui Wei, Xiuqin Rao, Bo Hu, Juan Zeng, Pengcheng Yi, Huasu Shao, Qianqian Tan, Yu Xie, Liyuan Fang, Yan Gong and Fuzhou Hua·· 17 天前AI 评分26
Helix Fusion HarmonyNet 在 EEG 术后谵妄识别中的突破：兼顾复杂度与效率
Harmonizing complexity and efficiency: Helix Fusion HarmonyNet’s breakthrough in EEG-based postoperative delirium recognition
AI 导读
Helix Fusion HarmonyNet（HFHN）是一种将 EEG 表征显式分离为幅度与相位通路的变换域架构，用于术后谵妄（POD）检测。在傅里叶域 POD 检测中，HFHN 达到 100% 准确率、精确率、特异度、F1 分数与敏感度；消融显示移除跨通路融合后准确率从 100% 降至 95.38%。
AI 要点
团队
Conghui Wei、Xiuqin Rao、Bo Hu 等，末位作者 Fuzhou Hua。
主要结果
傅里叶域 POD 检测中 HFHN 准确率、精确率、特异度、F1、敏感度均达 100%；去掉跨通路融合后准确率降至 95.38%。
解决什么问题
针对术后谵妄（POD）在临床中难以快速、客观检测的问题，开发轻量、可解释的 EEG 深度学习框架。
方法
提出 Helix Fusion HarmonyNet，将 EEG 表征分为幅度与相位通路，结合多头自注意力、卷积局部特征提取、可学习正弦位置编码与受控跨通路融合；与 CNN、Transformer 及 EEG 专用模型对比。
局限
从研究设计看，为方法学与效率评估，未提及临床前瞻性验证或受试人群细节。
AI 依据原文整理，未经人工核对。
来源：Journal of Neural Engineering · iopscience.iop.org