面向鲁棒患者无关癫痫发作检测的对抗表示学习
信号处理
2020-02-04 v2 机器学习
摘要
目的：癫痫是一种以自发性发作为特征的慢性神经系统疾病，影响约全球百分之一的人口。当前大多数癫痫发作检测方法严重依赖患者病史记录，因而在检测新患者的患者无关情境中失效。为克服该局限，我们提出一种鲁棒且可解释的癫痫发作检测模型，其有效地从发作状态中学习并消除患者间噪声。方法：提出一种复杂的深度神经网络模型，通过对抗训练从原始无创脑电图（EEG）信号中学习纯粹的发作特异性表示。此外，为增强可解释性，我们开发了一种注意力机制，自动学习各 EEG 通道在癫痫诊断过程中的重要性。结果：所提方法在坦普尔大学医院 EEG（TUH EEG）数据库上评估。实验结果表明，我们的模型以低延迟优于具有竞争力的 SOTA 基线。此外，所设计的注意力机制被证明能够为病理分析提供细粒度信息。结论与意义：我们提出了一种基于原始 EEG 信号、无需手动特征工程的高效患者无关癫痫诊断方法，是迈向实际大规模部署的一步。
引用
@article{arxiv.1909.10868,
title = {Adversarial Representation Learning for Robust Patient-Independent Epileptic Seizure Detection},
author = {Xiang Zhang and Lina Yao and Manqing Dong and Zhe Liu and Yu Zhang and Yong Li},
journal= {arXiv preprint arXiv:1909.10868},
year = {2020}
}
备注
Accepted by the IEEE Journal of Biomedical and Health Informatics (J-BHI)