Sep, 2022

基于时间多通道 Transformer 的脑电癫痫发作预测

PDF
TL;DR本文介绍了两种基于 Transformer 架构的深度学习模型（TMC-T 和 TMC-ViT）用于癫痫发作预测，探讨了选取不同持续时间的 preictal 状态和样本数量对模型的影响，并通过使用 CHB-MIT 数据库中的原始 EEG 信号进行实验和统计验证，证明 TMC-ViT 模型优于卷积神经网络 (CNN) 等其他网络。
epilepsyelectroencephalogramdeep learningpreictal durationseizure prediction
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 基于卷积变换器的端到端神经性癫痫检测（EENED）

    本文提出了一种融合了 Transformer 和 CNN 的端到端神经网络癫痫检测模型 EENED，在其 Transformer 编码器中引入卷积模块，从而结合了 Transformer 模型全局依赖捕捉和 CNN 模型局部特征捕捉的优势，能够准确可靠地检测癫痫疾病。

    May, 2023

  • 使用近似尖峰卷积变换器的癫痫发作检测和预测

    本文提出了一种名为 Spiking Conformer 的神经形态学脉冲卷积变压器，用于从头皮长期脑电图（EEG）记录中检测和预测癫痫发作片段，并通过融合基于脉冲的加法运算显著降低了分类计算成本，同时在使用原始 EEG 数据作为输入时，在癫痫检测任务中实现了 94.9% 的平均灵敏度率和 99.3% 的特异性率，在癫痫预测任务中实现了 96.8% 和 89.5% 的结果，并且与非脉冲等效模型相比，所需运算量减少了超过 10 倍。

    Jan, 2024

  • 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

  • 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

  • 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