Sep, 2019

对抗性表示学习用于抗干扰独立于患者的癫痫发作检测

PDF
TL;DR提出了一种基于神经网络的关于癫痫发作的检测模型，使用对抗性训练从原始无创脑电信号中学习纯的癫痫特定表现形式，并且使用注意力机制自动学习诊断过程中每个脑电通道的重要性，从而提高了诊断过程的可解释性。在 Temple 大学医院 EEG（TUH EEG）数据库上验证实验表明，与最先进的基线相比，我们的模型具有更好的性能，同时具有较低的延迟。此外，该设计的注意力机制能够提供细粒度的信息进行病理分析，提出了一种基于原始 EEG 信号的效率高、没有手动特征工程的癫痫发作病人独立的检测方法，是实现大规模部署用于现实生活中使用的一大步。
epileptic seizureneural networkelectroencephalographyadversarial trainingattention mechanism
发现论文，激发创造
  • 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

  • EEG 癫痫预测的监督和无监督深度学习方法

    通过监督和非监督深度学习方法，我们研究了以正常脑电图作为预测癫痫发作前兆的问题，并在两个大型脑电图癫痫数据集上对其进行了研究和评估。我们发现监督和非监督方法均可行，但其效果因患者、方法和架构而异。这一新的研究线有潜力开发出治疗干预方式来拯救人类生命。

    Apr, 2023

  • 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

  • 使用深度学习算法揭示难治性癫痫脑网络：基于儿科患者单模态神经影像数据的可扩展性癫痫预测的新颖综合框架

    该研究提出了一种新的、综合的框架，通过评估机器学习算法在包含脑电图信号的单模神经成像数据上的表现，来预测儿科患者的癫痫发作。结果显示，深度学习算法在预测癫痫发作方面比逻辑回归和 K 最近邻更成功，循环神经网络（RNN）在精确度和 F1 分数上表现最好，长短期记忆（LSTM）在准确度上超过了 RNN，卷积神经网络（CNN）在特异度上表现最高。该研究对于卫生保健提供者在积极管理儿科患者癫痫发作方面具有重要意义，有可能改变临床实践，并改善儿科护理。

    Sep, 2023

  • 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

  • BrainNet: 使用层次图扩散学习从 SEEG 中检测癫痫波

    该研究提出了一种名为 BrainNet 的新型模型，通过联合学习动态扩散图和建模脑电波扩散模式的方式，有效地帮助抵抗 SEEG 数据中的标签失衡和严重噪声问题， 并超过了时间序列分析的最新一流基线模型，以探测实际的 SEEG 数据集中的癫痫波。

    Jun, 2023

  • 自监督学习用于脑电图异常信道检测：应用于癫痫分析

    本篇论文提出了一种无需标记的自监督方法，通过积极和消极子图考虑嵌入在 EEG 图中的局部结构和上下文信息，从而检测癫痫通道和片段，并在最大的癫痫数据集上展示了其超越同领域先进水平的性能。

    Aug, 2022

  • 头皮脑电图自动癫痫检测的深度架构

    本研究通过使用 TUH EEG Seizure Corpus 数据集，评估了一种新型的循环卷积神经网络，该网络在每 24 小时内的假警报率为 7 次，灵敏度达到 30%。研究表明，深度学习结构集成空间和时间信息对于达到最先进的表现至关重要，并将推动出一代临床可接受的技术。

    Dec, 2017

  • 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

    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。

    Aug, 2019

  • 通过知识蒸馏缩小患者特异性和患者无关性癫痫预测的差距

    本文提出了一种基于知识蒸馏的新型训练方法，该方法利用来自多个受试者的大量数据，从所有可用受试者的信号中提取信息特征，并利用提取出的知识和个性化数据，获得患者特定模型，从而显著提高了患者特异性癫痫预测器的性能，填补了患者特异性和患者非特异性预测器之间的差距。

    Feb, 2022