Jan, 2024

使用近似尖峰卷积变换器的癫痫发作检测和预测

PDF
TL;DR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。
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

  • 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

  • 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

  • 临床数据中用于癫痫检测和分类的卷积神经网络

    该论文介绍了使用临床脑电图数据和卷积神经网络对癫痫发作进行检测和分类的方法，由于不同年龄、健康状况和临床环境的患者数据的复杂性，使用深度学习方法取得了 0.68 和 0.67 的灵敏度和特异度，取得了显著的进展。

    Mar, 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

  • 时间 CNN 和图卷积网络用于 MEG 数据中的癫痫尖峰检测

    利用具有更少参数的 1D 时间卷积神经网络 (Time CNN) 结合图卷积网络 (GCN) 来准确识别脑电信号中的尖峰，并通过脑电信号的短时间帧进行定位来取代手动检测。我们的模型在平衡数据集上达到了 76.7％的分类 f1 分数，在现实中高度不平衡的数据集上达到了 25.5％的分数。

    Oct, 2023

  • 使用全卷积体系结构从原始多通道脑电图中检测新生儿发作性病的研究

    使用深度学习架构处理婴儿的脑电信号，并通过卷积层仅处理原始信号以检测癫痫发作，相较于传统的基于手工特征表达的机器学习方法，表现更优，同时可以更有效地利用可用的训练数据。

    May, 2021

  • 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

  • 并行忆阻卷积神经网络用于癫痫检测与预测

    本文提出一种新颖的低延迟并行卷积神经网络 (CNN) 框架，该框架使用阻性随机存取存储器 (RRAM) 器件来并行执行卷积层内核，从而实现了比当前最先进的 Memristive-CMOS 混合 DL 加速器低两个数量级的延迟降低，同时考虑非理想性，提出一种量化感知训练的方法以及一种卡住权重的偏移方法来增加系统性能。

    Jun, 2022