面向癫痫分类的可组合通道自适应架构
摘要
目标：我们开发一种可无缝处理任意通道数的多变量时序数据（特别是内脑电图（iEEG）记录）的通道自适应（CA）架构。方法：我们的CA架构首先使用应用于每个单通道的前沿模型独立处理iEEG信号。随后，使用基于向量符号算法的特征融合，该算法通过每个通道可训练的标量重建空间关系。最后，将融合后的特征累积到最长可达2分钟的长期记忆中进行分类。每个CA模型都可以在来自多个异构主体的大型iEEG记录语料库上进行预训练。该预训练模型通过快速微调个性化到每个主体，该微调使用与现有前沿模型相同或更少的数据量，但仅需1/5的时间。结果：我们在癫痫检测任务上评估了我们的CA模型，分别在短期（约20小时）和长期（约2500小时）数据集上进行。特别是，我们的CA-EEGWaveNet在测试主体仅训练一个癫痫的情况下，而基线EEGWaveNet在除一个之外的所有数据上训练。即使在这一具有挑战性的场景中，我们的CA-EEGWaveNet在中位数F1分数（0.78 vs 0.76）上超过了基线。同样，基于EEGNet的CA-EEGNet也在中位数F1分数（0.79 vs 0.74）上超过了基线。结论与意义：我们的CA模型解决了两个问题：首先，它是通道自适应的，因此可以在不损失性能的情况下跨越异构主体进行训练；其次，它将有效的时间上下文大小提高到临床相关的长度。因此，我们的模型是现有模型的即插即用替换方案，无论从哪个方面都带来更好的特征和性能。
引用
@article{arxiv.2512.19123,
title = {A Composable Channel-Adaptive Architecture for Seizure Classification},
author = {Francesco Carzaniga and Michael Hersche and Kaspar Schindler and Abbas Rahimi},
journal= {arXiv preprint arXiv:2512.19123},
year = {2025}
}
备注
2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works