ARNN：用于识别癫痫发作的多通道 EEG 信号注意力循环神经网络

脑电图 (EEG) 因其高时间分辨率、非侵入性和经济性而成为诊断脑部疾病的广泛使用工具。手动分析 EEG 劳动强度大且需要专业知识，使得自动 EEG 解释对于减少工作量和准确评估癫痫发作至关重要。在癫痫诊断中，长时间 EEG 监测会产生大量数据，通常跨越数小时、数天甚至数周。虽然用于自动 EEG 解释的机器学习技术在近几十年取得了显著进步，但在平衡准确性和计算效率以高效分析大数据集方面仍存在差距。为了解决上述挑战，本文提出了一种注意力循环神经网络 (ARNN)，它能够高效且准确地处理大量数据。该 ARNN 单元沿序列递归地应用注意力层，具有与序列长度呈线性的复杂度，并通过处理多通道 EEG 信号而非单通道信号来利用并行计算。在该架构中，注意力层是一个计算单元，可高效地应用自注意力和交叉注意力机制，在大量状态向量和输入信号上计算递归函数。该框架部分受到注意力层和长短期记忆 (LSTM) 单元的启发，但将这种典型单元放大了几个数量级，以针对多通道 EEG 信号进行并行化。它继承了注意力层和 LSTM 门的优势，同时避免了各自的缺点。通过在包括 CHB-MIT、UPenn 和 Mayo Clinic 数据集在内的异构数据集上进行广泛实验，评估了该模型的有效性。