May, 2021

使用全卷积体系结构从原始多通道脑电图中检测新生儿发作性病的研究

PDF
TL;DR使用深度学习架构处理婴儿的脑电信号，并通过卷积层仅处理原始信号以检测癫痫发作，相较于传统的基于手工特征表达的机器学习方法，表现更优，同时可以更有效地利用可用的训练数据。
deep learningneonatesseizure detectioneeg signalsconvolutional layers
发现论文，激发创造
  • 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

  • 基于比例缩放的卷积神经网络在新生儿脑电图中实现专家级癫痫检测

    新生儿癫痫发作的检测模型使用大规模数据和模型规模，达到了国际领先水平，并具有与专家水平的等效性。

    May, 2024

  • 应用可解释人工智能进行基于脑电图缩减画面的新生儿癫痫检测

    基于可解释深度学习模型的新生儿癫痫自动检测方法，具有实时可解释性，对于 Zenodo 数据集的性能评估中，该模型在曲线下面积（AUC）和召回率方面分别实现了 8.31% 和 42.86% 的绝对改进。

    Jun, 2024

  • 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

  • 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

  • 利用迁移学习的低延迟实时癫痫检测

    本文提出了一种将多通道信号转换为灰度图像并利用迁移学习进行高性能癫痫检测的端到端系统，其具有简单的前后处理操作，计算轻便，低延迟，可用于实时临床应用，性能达到了 42.05% 的灵敏度，每 24 小时 5.78 个假警报，运行速度快于实时（0.58xRT），内存使用 16 Gbytes，延迟仅为 300 毫秒。

    Feb, 2022

  • 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

  • 基于轻量级卷积变换器的跨患者多通道 EEG 信号癫痫检测

    本研究旨在提出一种基于轻量级卷积变换器（LCT）的深度学习框架，该框架可从多通道脑电图信号中同时学习空间和时间相关信息以便更准确地检测癫痫，经过实验证明，该模型的效果非常好，准确率和 F1 得分可达 96.31% 和 96.32%，这一研究为多通道自动癫痫检测提供了一种新方法。

    May, 2023

  • 保护未来：空间 - 时间建模实现新生儿惊厥监测

    本文提出了一种深度学习框架 STATENet，针对新生儿脑电图的动态癫痫发作位置、不同构架和巨大的分布变化等挑战，进行革新性的设计，针对大数据集进行实验，并在新生儿癫痫检测性能方面取得了显著的成果。

    Jul, 2023

  • 卷积神经网络的深度学习用于 EEG 病理解码和可视化

    本研究使用卷积神经网络来区分病态 EEG 记录和正常的 EEG 记录，进一步建立自动 EEG 诊断的基础，研究中使用多种模型和可视化技术，最终获得较高的准确度和谱特征的变化对于疾病诊断有一定的指导意义，并且整个研究为未来的相关工作提供了一定的参考。

    Aug, 2017