面向机器学习应用的自适应 EEG 分段
机器学习
2025-08-29 v1 信号处理
神经元与认知
摘要
目标。脑电图 (EEG) 数据通过对连续神经时间序列信号进行采样获得。为了为机器学习准备 EEG 信号，必须将信号划分为可管理的分段。当前的粗暴方法使用任意固定时间切片，这可能因脑状态不局限于固定时间间隔而具有有限的生物学相关性。我们研究自适应分段方法对机器学习 EEG 分析是否有益。方法。我们引入一种新颖的自适应分段方法 CTXSEG，通过 EEG 数据中统计差异创建可变长度分段，并提出了将其与通常需要固定长度输入的现代机器学习方法结合使用的方法。我们使用可控的合成数据（由我们新颖的信号发生器 CTXGEN 生成）评估 CTXSEG。虽然 CTXSEG 在一般实用性方面有所帮助，但我们通过将其应用于 EEG 癫痫检测问题来验证其实际应用价值。我们将 CTXSEG 与固定长度分段在癫痫检测机器学习管道中的预处理步骤进行比较。主要结果。我们发现，使用 CTXSEG 准备 EEG 数据在标准化框架下进行癫痫检测性能优于固定长度方法，无需修改机器学习方法，同时所需分段数量更少。意义。本工作表明，CTXSEG 的自适应分段可轻松应用于现代机器学习方法，潜在可提升性能。它是固定长度分段的有前景的替代方案，应被视为 EEG 机器学习应用中标准预处理工具包的一部分。
引用
@article{arxiv.2508.20336,
title = {Adaptive Segmentation of EEG for Machine Learning Applications},
author = {Johnson Zhou and Joseph West and Krista A. Ehinger and Zhenming Ren and Sam E. John and David B. Grayden},
journal= {arXiv preprint arXiv:2508.20336},
year = {2025}
}