SincVAE: 一种使用 SincNet 和变分自编码器改进脑电图数据异常检测的新方法

Jun, 2024

SincVAE: 一种使用 SincNet 和变分自编码器改进脑电图数据异常检测的新方法

SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder

Andrea Pollastro, Francesco Isgrò, Roberto Prevete

TL;DR利用半监督的方法，使用一种名为 SincVAE 的新型深度学习方法，该方法通过训练特定的带通滤波器阵列作为变分自编码器的第一层，从而改进了脑电图数据中的癫痫发作检测，并能够在前癫痫期早期发现癫痫发作，并在后癫痫期对患者进行监测。

Abstract

Over the past few decades, electroencephalography (EEG) monitoring has become a pivotal tool for diagnosing neurological disorders, particularly for detecting seizures. Epilepsy, one of the most prevalent neurological diseases worldwide, affects approximately the 1 \% of the population

electroencephalography seizure monitoring machine learning semi-supervised approach sincvae

发现论文，激发创造

hvEEGNet: 基于层次变分自编码器对脑电数据进行的神经科学应用

该研究提出了两种变分自编码器模型（vEEGNet-ver3 和 hvEEGNet），用于解决脑电重建中的问题。hvEEGNet 能够以非常高的准确度重建脑电数据，并发现了之前研究结果可能受到的腐败脑电记录的影响，同时提供了潜在的表征，用于其他分类问题和脑电数据生成。

Nov, 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

vEEGNet: 通过变分自动编码器学习潜在表示来重构 EEG 原始数据

该论文提出了 vEEGNet 模型，结合了变分自编码器和前馈神经网络，用于对复杂的多维时间序列电脑脑电图（EEG）数据进行分类和重构，取得了最先进的分类性能，并能够重构低频和中频范围的原始 EEG 信号。

Nov, 2023

自监督学习用于脑电图异常信道检测：应用于癫痫分析

本篇论文提出了一种无需标记的自监督方法，通过积极和消极子图考虑嵌入在 EEG 图中的局部结构和上下文信息，从而检测癫痫通道和片段，并在最大的癫痫数据集上展示了其超越同领域先进水平的性能。

Aug, 2022

变分自编码器为基于脑电信号的肥胖症分类学习更好的特征表征

本文提出了一种基于深度学习的框架来从放松状态脑电图信号中提取肥胖和健康人群的特征，并使用时空变分自动编码器和一维卷积神经网络分类。结果显示，该方法在分类精度、特征可视化和特征表示的杂质度方面具有优势。未来的方向包括在从神经学的角度深入了解模型所学习的空间模式以及允许发掘任何时间相关信息来提高模型的可解释性。

Feb, 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

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

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

重温 VAE 的无监督时间序列异常检测：一种频率视角

我们提出了一种新的无监督异常检测方法 FCVAE，通过同时集成全局和局部频率特征，显著提高了正常数据的重构准确性，以解决基于 VAE 的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的 “目标注意力” 机制，我们的方法能够从频域选择最有用的信息以更好地构建短周期趋势。在公开数据集和大规模云系统上对 FCVAE 进行了评估，结果表明它优于最先进的方法，验证了我们的方法在解决当前基于 VAE 的异常检测模型的局限性方面的实际适用性。

Feb, 2024

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