一种用于癫痫发作与非发作自动分类的鲁棒深度学习方法
机器学习
2019-06-07 v2 神经元与认知
机器学习
摘要
通过分析脑电图（EEG）信号识别癫痫发作已成为癫痫诊断的标准方法。由受过训练的神经科医生在EEG上手动识别发作耗时、费力且易出错，因此亟需一种可靠的自动发作/非发作分类方法。自动发作/非发作分类面临的挑战之一是发作形态表现出相当大的变异性。为捕捉关键的发作模式，本文利用注意力机制与双向长短期记忆（BiLSTM）来挖掘空间与时间判别特征并克服发作变异性。注意力机制根据大脑不同区域对发作的贡献来捕获空间特征。BiLSTM用于在前向与后向两个方向上提取判别性时间特征。我们在CHB-MIT的含噪数据上进行了交叉验证实验与跨患者实验以评估所提方法。在交叉验证实验中获得的平均灵敏度87.00%、特异度88.60%与精度88.63%均高于当前最先进（SOTA）方法，且我们方法的标准差更低。跨患者实验的评估结果表明，与当前最先进方法相比我们的方法性能更优，且在患者间更具鲁棒性。
引用
@article{arxiv.1812.06562,
title = {A Robust Deep Learning Approach for Automatic Classification of Seizures Against Non-seizures},
author = {X. Yao and X. Li and Q. Ye and Y. Huang and Q. Cheng and G. -Q. Zhang},
journal= {arXiv preprint arXiv:1812.06562},
year = {2019}
}
备注
13 pages, 10 figures, submitted to Biomedical Signal Processing and Control