ICLRApr, 2021

自监督图神经网络提高脑电图癫痫分析

PDF
TL;DR本研究提出了一种基于 GNN 的自监督预训练模型，能够捕捉电极几何或动态脑连接的脑电图图形结构，提高罕见癫痫类型的检测和分类精度。此外，提出了一种定量的模型可解释性方法来评估模型在 EEGs 内定位癫痫的能力。实验证明，GNN 的自监督预训练方法在癫痫检测和分类上都优于以往的方法，能够精确定位约 25.4% 的局部癫痫，可以为临床医生提供直观的癫痫局部化信息。
发现论文，激发创造
  • 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

  • 基于动态图神经网络的精确脑电图癫痫检测与分类

    这篇论文介绍了 NeuroGNN，一个动态图神经网络框架，通过捕捉脑电极位置和对应脑区语义之间的动态相互作用，来优化癫痫的检测和分类，并在实际数据上的广泛实验证明其明显优于现有的先进模型。

    May, 2024

  • 基于图神经网络的脑电信号分类：综述

    通过系统综述和分类论述了基于图神经网络的脑电分类方法，发现光谱图卷积层在空间上存在较大优势，常见的节点特征为原始脑电信号和差分熵，同时提出了探索迁移学习方法和适当建模跨频率交互的方向。

    Oct, 2023

  • 自动癫痫检测的时态图卷积网络

    提出了一种结构时间序列模型 TGCN，其利用定位在患者头皮上的电极的相对位置信息进行特征提取操作，实现了全局特征和局部特征的结合，该模型在癫痫检测中的表现不逊于其他相关模型并具有良好的可解释性。

    May, 2019

  • 用于个性化癫痫发作检测的知识蒸馏图神经网络

    本文介绍了一种新的知识蒸馏方法，用于从全套电极教师模型中提取知识并将其迁移给轻量级的学生模型，实现低成本的癫痫监测，该方法使用图神经网络进行个性化，即使只使用少数通道也能获取具有竞争力的癫痫检测性能。

    Apr, 2023

  • GNN4EEG：使用图神经网络进行脑电图分类的基准和工具包

    用于 EEG 信号基于图神经网络的建模的 GNN4EEG 是一个多功能且易于使用的工具包，并包括四个 EEG 分类任务的大型基准、各种先进的 GNN 基于 EEG 分类模型的易于使用的实现以及全面的实验设置和评价协议。

    Sep, 2023

  • 基于域引导图卷积神经网络增强基于脑电图的神经疾病诊断

    使用 EEG-GCNN 模型对神经疾病的诊断进行改进，重点是区分由专家分类为 “正常” 的病人的异常头皮脑电波与健康人的头皮脑电波。在两个大型头皮脑电波数据库中的实验表明，EEG-GCNN 模型的 AUC 值达到 0.90，表现显著优于人工基准和传统机器学习基准。

    Nov, 2020

  • EEGSN: 基于图峰值神经网络的脑电解码高效低延迟实现

    我们提出了一种基于图的神经脉冲网络结构来进行多通道脑电图分类的方法（Graph Spiking Neural Network architecture for multi-channel EEG classification）。相较于目前最先进的 SNN（Spiking Neural Network），我们的方法提高了计算效率，降低了计算复杂度，并在运动执行分类任务中取得了与当前方法相当的准确性。

    Apr, 2023

  • 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

  • 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