基于GRU-TCN分类器和深度Q学习阈值化的自适应EEG脑卒中诊断
机器学习
2025-11-13 v3
摘要
急性脑卒中需要准确、可在床边部署的工具；EEG虽具前景，却在首次接触时未得到广泛应用。本文提出一种自适应多任务EEG分类器，将32通道信号转换为功率谱密度特征（Welch），使用循环-卷积网络（GRU-TCN）预测脑卒中类型（健康、缺血、出血）、半球侧偏及病情严重程度，并应用深度Q网络（DQN）对决策阈值进行实时调优。采用UCLH Stroke EIT/EEG 数据集（44例记录；约26例急性卒中、10例对照），以脑卒中类型为主要结果，病情和侧偏为次要结果。基线GRU-TCN模型对脑卒中类型达到89.3%的准确率（F1 92.8%），约96.9%（F1 95.9%）的病情预测准确率，约96.7%（F1 97.4%）的侧偏预测准确率。加入DQN阈值自适应后，脑卒中类型准确率提升至约98.0%（F1 97.7%）。我们还在独立的低密度EEG队列（ZJU4H）上测试了鲁棒性，并报告了配对的患者层面统计数据。分析遵循STARD 2015指导方针进行诊断准确性研究（检验指标：GRU-TCN+DQN；参考标准：放射科/临床诊断；患者级评估）。自适应阈值调优将工作点置于临床偏好的数据灵敏度-特异性权衡区间，而集成的头皮图和光谱可视化支持可解释性。
引用
@article{arxiv.2510.24889,
title = {Adaptive EEG-based stroke diagnosis with a GRU-TCN classifier and deep Q-learning thresholding},
author = {Shakeel Abdulkareem and Bora Yimenicioglu and Khartik Uppalapati and Aneesh Gudipati and Adan Eftekhari and Saleh Yassin},
journal= {arXiv preprint arXiv:2510.24889},
year = {2025}
}
备注
10 pages, 6 figures. Equal contribution: Shakeel Abdulkareem and Bora Yimenicioglu. Compiled with pdfLaTeX (wlscirep class)