Feb, 2023

使用不同降维技术和机器学习在变换域中检测癫痫发作

PDF
TL;DR本文提出了一种基于 DWT 和机器学习的分类器用于 EEG 信号分析，实现了良好的癫痫检测效果，并且在三个不同的分类器中最佳组合是 LDA 和 NB，能够达到 100% 的灵敏度、特异度、准确度、精度和召回率。
eegepilepsy detectionmachine learningdwtclassification
发现论文，激发创造
  • 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

  • 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

  • 使用深度学习技术的癫痫发作检测：综述

    本研究对基于深度学习和神经影像学模态进行的自动癫痫发作检测作了全面的综述，描述了使用脑电图和磁共振成像模态自动诊断癫痫发作的各种方法，分析了使用深度学习的康复系统，并讨论了在诊断自动癫痫发作中使用深度学习技术的优点和局限性，最后提出了最有前景的深度学习模型和未来可能的研究方向。

    Jul, 2020

  • 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

  • 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

  • 基于 t - 位置 - 比例分布和最近邻分类器的癫痫信号尖波检测研究

    基于 k 最近邻分类和 t 位置尺度统计表示，我们在真实数据集上提出了一种用于检测尖波的癫痫脑电信号的模式分类方法，并在分类准确率、敏感性和特异性方面对性能进行评估。

    May, 2024

  • 基于时间多通道 Transformer 的脑电癫痫发作预测

    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。

    Sep, 2022

  • 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

  • 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