Aug, 2019

基于脑电信号的癫痫发作检测中特征提取与性能评估综述

PDF
TL;DR这篇论文综述了使用机器学习方法和不同特征对于 EEG 信号中癫痫发作进行检测的研究现状，通过实验选取了数个有显著预测能力的特征以提高检测效果。
发现论文，激发创造
  • 使用不同降维技术和机器学习在变换域中检测癫痫发作

    本文提出了一种基于 DWT 和机器学习的分类器用于 EEG 信号分析，实现了良好的癫痫检测效果，并且在三个不同的分类器中最佳组合是 LDA 和 NB，能够达到 100% 的灵敏度、特异度、准确度、精度和召回率。

    Feb, 2023

  • 通过小波和图论度量从脑电图信号中检测癫痫发作

    使用最大重叠离散小波变换分析脑电图信号，结合简单统计参数和图论指标进行癫痫检测，达到较其他方法更优的召回率和灵敏度表现。

    Nov, 2023

  • 使用深度学习学习鲁棒特征以自动检测癫痫

    本研究提出并评估了深度神经网络从 EEG 中学习稳健特征以自动检测癫痫的能力，通过同时捕获频谱、时间和空间信息，我们的循环卷积神经网络学习了癫痫的空间不变表示。该方法在交叉患者分类器上的结果显著优于先前的结果，具有较高的灵敏度和低的假阳性率。此外，我们的模型对于缺失通道和不同的电极配置也表现出稳健性。

    Jul, 2016

  • 使用脑电信号和机器学习进行癫痫类型分类：设立基准

    该研究探讨了将机器学习应用于多类癫痫类型分类的应用。使用了最近发布的 TUH EEG 癫痫语料库并对各种预处理技术、机器学习算法和相应超参数的组合进行了彻底的搜索空间探索，展示了让我们的算法可以在脑电图基础上实现多类癫痫类型分类的加权 F1 评分高达 0.901。

    Feb, 2019

  • 一种基于深度学习方法的脑电 EEG 信号癫痫自动检测系统

    这篇论文介绍了一种基于深度学习和 P-1D-CNN 的系统，通过提出的增强方案可以有效地检测癫痫，具有 99.1％±0.9％的准确性。

    Jan, 2018

  • 使用深度学习技术的癫痫发作检测：综述

    本研究对基于深度学习和神经影像学模态进行的自动癫痫发作检测作了全面的综述，描述了使用脑电图和磁共振成像模态自动诊断癫痫发作的各种方法，分析了使用深度学习的康复系统，并讨论了在诊断自动癫痫发作中使用深度学习技术的优点和局限性，最后提出了最有前景的深度学习模型和未来可能的研究方向。

    Jul, 2020

  • 临床数据中用于癫痫检测和分类的卷积神经网络

    该论文介绍了使用临床脑电图数据和卷积神经网络对癫痫发作进行检测和分类的方法，由于不同年龄、健康状况和临床环境的患者数据的复杂性，使用深度学习方法取得了 0.68 和 0.67 的灵敏度和特异度，取得了显著的进展。

    Mar, 2019

  • 无监督多元时间序列变换器用于脑电信号癫痫识别

    本研究提出了一种基于 Transformer 模型和无监督学习的方法，在没有专家标注和带有癫痫发作的 EEG 记录的情况下对癫痫发作进行检测和识别，实验结果表明该方法在识别癫痫发作方面的性能优于传统监督学习方法。

    Jan, 2023

  • 癫痫发作预测的比较分析：探索多样的预处理技术和机器学习模型

    应用机器学习模型对脑电图数据进行比较分析，发现 Extra Trees 模型表现最佳，在癫痫发作预测方面具有更准确和稳健的性能。

    Aug, 2023

  • 使用脑电图信号预测癫痫发作的机器学习：一篇综述

    这篇论文探讨了如何运用人工智能和机器学习技术，通过对脑电图信号进行分析，提前预测癫痫发作的可能性，从而为临床实践提供支持。

    Feb, 2020