Jun, 2024

BISeizuRe: 基于 BERT 启发的癫痫数据表示以提升癫痫监测

PDF
TL;DR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。
eeg-based seizure detectionbert-based modelpre-trainingfine-tuningfalse positives per hour
发现论文，激发创造
  • 深度置信网络用于高分辨率多通道脑电水平数据的癫痫检测

    本文探讨了在高分辨率，多通道 EEG 数据中，采用各种表示方法和机器学习算法进行癫痫检测的可行性，通过研究分类精度、计算复杂度和内存需求了解哪些方法最适合处理大规模数据。特别是指出，堆叠学习方法，如深度置信网络，在这些方面表现出色。

    Aug, 2017

  • 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

  • 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

  • 使用近似尖峰卷积变换器的癫痫发作检测和预测

    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。

    Jan, 2024

  • 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

  • Med-BERT: 基于大规模结构化电子病历的预训练上下文化嵌入，用于疾病预测

    Med-BERT 是一种基于 BERT 框架训练的语境嵌入模型，适用于在数据集较小的情况下预测疾病。通过电子病历研究心力衰竭和胰腺癌的预测，表明 Med-BERT 具有较高的准确性和泛化性能，可以大幅提升深度学习模型的性能和推广医疗人工智能的发展。

    May, 2020

  • 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

  • 应用可解释人工智能进行基于脑电图缩减画面的新生儿癫痫检测

    基于可解释深度学习模型的新生儿癫痫自动检测方法，具有实时可解释性，对于 Zenodo 数据集的性能评估中，该模型在曲线下面积（AUC）和召回率方面分别实现了 8.31% 和 42.86% 的绝对改进。

    Jun, 2024

  • 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

  • 大脑大型模型中以 Tremendous 脑电图数据为基础学习通用表达

    当前的基于脑电图 (EEG) 的深度学习模型通常针对特定的数据集和脑 - 计算机交互 (BCI) 应用而设计，限制了模型的规模，从而降低了其感知能力和泛化能力。最近，大型语言模型 (LLMs) 在文本处理方面取得了前所未有的成功，激发了我们探索大型脑电图模型 (LEMs) 的能力。我们希望通过无监督预训练，LEMs 可以突破 EEG 数据集不同任务类型的限制，并获得对 EEG 信号的通用感知能力，然后将模型进行微调以适应不同的下游任务。然而，与文本数据相比，EEG 数据集的容量通常很小且格式变化多样。为了克服这些挑战，我们提出了一种统一的 EEG 基础模型，称为 Large Brain Model (LaBraM)。LaBraM 通过将 EEG 信号分割为 EEG 通道块来实现跨数据集学习。我们使用量化向量神经谱预测来训练一个语义丰富的神经分词器，将连续的原始 EEG 通道块编码为紧凑的神经代码。然后，我们通过预测遮蔽的 EEG 通道块的原始神经代码来预训练神经 Transformer。我们的 LaBraM 模型在大约 20 个数据集中的各种类型的 EEG 信号上进行了约 2,500 小时的预训练，并在多种不同类型的下游任务上进行了验证。对异常检测、事件类型分类、情绪识别和步态预测的实验表明，我们的 LaBraM 在各自领域的性能优于其他 SOTA 方法。

    May, 2024