Jan, 2024

一种轻巧隐蔽的耳戴系统用于连续癫痫发作检测

PDF
TL;DR提出了一种新颖、轻量级、不显眼且得到社会接受的 EarSD 系统，通过测量用户耳后的生理信号来检测癫痫发作的起始，初步结果表明该系统可使用经典机器学习算法以高达 95.3% 的准确度检测癫痫发作。
epilepsyearsdseizure detectionphysiological signalsmachine learning algorithms
发现论文，激发创造
  • 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

  • 适用于低功耗应用的高效能癫痫检测

    能够在低功耗边缘设备上进行准确癫痫检测的能量高效的脑神经植入装置使用了 TC-ResNet 和时间序列分析方法，并且无需先进行特征提取，同时考虑到神经植入装置的严格硬件要求。通过使用 CHB-MIT Scalp EEG Database 进行验证，32 位浮点模型以及适合硬件的 4 位定点模型在该数据集上取得了 95.28% 的准确率、92.34% 的敏感度和 0.9384 的 AUC 得分。此外，该模型的功耗使用低功耗人工智能加速器 UltraTrail 进行了测量，平均仅需要 495nW。由于低功耗消耗，该分类方法适用于低功耗可穿戴设备（如脑神经植入装置）的实时癫痫检测。

    Jun, 2024

  • 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

  • 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

  • SeizNet：一种用于癫痫预测的 AI 辅助植入传感器网络系统

    本文介绍了一种利用深度学习方法和植入式传感器网络进行预测癫痫发作的闭环系统 SeizNet。研究结果表明，SeizNet 在所有指标上超越传统的单模态和非个性化预测系统，达到了高达 99% 的准确率，为难治性癫痫治疗开辟了有希望的新途径。

    Jan, 2024

  • EpiDeNet: 嵌入系统中的能效化癫痫检测方法

    EpiDeNet 是一种轻量级的癫痫检测网络，通过引入敏感性和特异性的交叉熵（SSWCE）损失函数，成功检测了两个不同数据集（CHB-MIT 和 PEDESITE）上的 91.16％和 92.00％的癫痫事件，仅使用四个脑电图通道。

    Aug, 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

  • 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

  • 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

  • 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