一种用于癫痫发作预测的端到端深度学习方法
信号处理
2021-08-18 v1 机器学习
摘要
准确的 seizure 预测系统可在癫痫患者发作前提供早期预警，对药物难治性患者极为重要。传统的 seizure 预测工作通常依赖从脑电图（EEG）记录中提取的特征以及回归或支持向量机（SVM）等分类算法来定位发作前的短时间。然而，由于手工设计特征的信息损失以及回归和 SVM 算法分类能力有限，此类方法难以实现高精度预测。本文提出一种使用卷积神经网络（CNN）的端到端深度学习方案。在早期和后期卷积与最大池化层中分别采用一维和二维核。所提 CNN 模型在 Kaggle 颅内与 CHB-MIT 头皮 EEG 数据集上评估。整体灵敏度、误报率与受试者工作特征曲线下面积在两个数据集上分别达到 93.5%、0.063/h、0.981 与 98.8%、0.074/h、0.988。与现有最优工作比较表明，所提模型取得了超越的预测性能。
引用
@article{arxiv.2108.07453,
title = {An End-to-End Deep Learning Approach for Epileptic Seizure Prediction},
author = {Yankun Xu and Jie Yang and Shiqi Zhao and Hemmings Wu and Mohamad Sawan},
journal= {arXiv preprint arXiv:2108.07453},
year = {2021}
}
备注
5 pages, 4 figures, 4 tables, conference