AAAIAug, 2022

自监督学习用于脑电图异常信道检测：应用于癫痫分析

PDF
TL;DR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。
eeg signalsseizure detectionself-supervised learningpositive and negative sub-graphsstate-of-the-art
发现论文，激发创造
  • 自监督图神经网络提高脑电图癫痫分析

    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。

    Apr, 2021

  • 利用自监督学习揭示临床脑电信号的结构

    使用自监督学习技术对无标签的脑电信号数据进行了处理，获得了比使用有标签数据的监督学习深度神经网络更好的效果，并揭示了不同的生理和临床现象之间的潜在结构。

    Jul, 2020

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 对抗性表示学习用于抗干扰独立于患者的癫痫发作检测

    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。

    Sep, 2019