Sep, 2023

视频中隐私保护的癫痫发作的早期检测

PDF
TL;DR通过引入一种名为 SETR-PKD 的新框架，我们在视频基础的癫痫发作分类方面做出了贡献，该框架能够在视频中实现隐私保护的早期发作检测。具体而言，我们的框架由两个重要组成部分构成：(1) 它基于从癫痫视频中提取的光流特征，编码了发作运动的符号学，同时保护了患者的隐私；(2) 它利用了基于 transformer 的渐进式知识蒸馏，逐渐从训练长视频样本的网络中提炼知识，直到操作短视频样本的网络。因此，我们提出的框架解决了当前方法的局限性，这些方法直接在 RGB 视频上操作癫痫发作并阻碍了实时检测，需要利用完整的视频样本进行预测。我们的 SETR-PKD 框架能够在癫痫发作只进行了一半进程时以 83.9% 的准确度实现隐私保护的强直 - 阵挛发作检测。我们的数据和代码可在此 https 链接找到。
video-based epileptic seizure classificationprivacy-preserved early detectionsetr-pkd frameworkoptical flow featurestransformer based progressive knowledge distillation
发现论文，激发创造
  • 癫痫视频分析的深度学习方法综述

    基于深度学习的视频分析在癫痫学领域的症状检测和分析方面取得了成功，而将现有技术整合为视频症状分析的综合系统是未来研究的方向。

    Dec, 2023

  • 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

  • READS-V：基于骨架的时空 ViG，通过监控视频实时自动检测癫痫发作

    我们提出了一种基于骨骼的时空视觉图神经网络 (STViG)，用于快速、准确、及时从监控视频中自动检测癫痫发作 (READS-V)。通过与以往动作识别模型的实验结果对比，STViG 在我们收集的患者视频数据上具有更高的准确性 (误差为 5.9%) 和较低的 FLOPs (0.4G)。此外，通过结合输出概率和累积函数的决策规则，我们的 READS-V 系统实现了 5.1 秒的 EEG 起始检测延迟，比临床起始检测提前 13.1 秒，并且无误报率。

    Nov, 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

  • 使用深度学习算法揭示难治性癫痫脑网络：基于儿科患者单模态神经影像数据的可扩展性癫痫预测的新颖综合框架

    该研究提出了一种新的、综合的框架，通过评估机器学习算法在包含脑电图信号的单模神经成像数据上的表现，来预测儿科患者的癫痫发作。结果显示，深度学习算法在预测癫痫发作方面比逻辑回归和 K 最近邻更成功，循环神经网络（RNN）在精确度和 F1 分数上表现最好，长短期记忆（LSTM）在准确度上超过了 RNN，卷积神经网络（CNN）在特异度上表现最高。该研究对于卫生保健提供者在积极管理儿科患者癫痫发作方面具有重要意义，有可能改变临床实践，并改善儿科护理。

    Sep, 2023

  • 癫痫发作检测：解剖与分析

    该论文提出了一个基于 k-Nearest-Neighbors 机器学习的实时、可定制、适应性强、低成本非侵入式癫痫监测系统，通过验证和验证使用 500 个受试者，样本采样率为 178 赫兹，操作平均准确率达到 94.5％，可用于监测和评估癫痫治疗。

    May, 2023

  • 基于保稳转折潜在随机动态系统和元标签修正的早期预警

    通过患者的脑电图数据，我们提出了一种基于元学习框架的早期癫痫信号预测方法，通过融合真实数据和隐式随机微分方程（SDE）生成的增广数据，以及优化选择潜在动力系统的转换时间分布，将提取的关键动力特征与元网络整合，以更好地标记嘈杂数据，并使用 LSTM 作为基准模型进行验证。我们进行了一系列实验，预测不同长期窗口（1-2 秒的输入数据），发现预测准确性有意想不到的增加。

    Oct, 2023

  • BISeizuRe: 基于 BERT 启发的癫痫数据表示以提升癫痫监测

    该研究提出了一种新的基于 EEG 的癫痫检测方法，利用一种基于 BERT 的模型。该模型经历了两个阶段的训练过程，分别在 TUEG 和 CHB-MIT 数据集上进行预训练和微调，以提高检测性能。优化后的模型在降低误报率的同时，取得了显著的性能提升，充分展示了 BERT 模型在 EEG 癫痫检测中的有效性。

    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

  • 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