癫痫发作与非发作的自动分类：一种深度学习方法
信号处理
2019-06-07 v1 机器学习
机器学习
摘要
在当前临床实践中，脑电图（EEG）由训练有素的神经科医生审阅和分析，以为治疗决策提供支持。人工审阅的方式费力且易出错。需要自动且准确的发作/非发作分类方法。一个主要问题是发作状态与非发作状态的EEG信号表现出相当大的差异。为捕捉本质的发作特征，本文将有独立循环神经网络（IndRNN）这一新兴深度学习模型与稠密结构和注意力机制相整合，以利用时间与空间判别特征并克服发作变异性。稠密结构用于确保层间最大信息流。注意力机制用于捕捉空间特征。在含噪声的CHB-MIT数据集上通过交叉验证实验进行评估。所获得的平均灵敏度、特异度和精度分别为88.80%、88.60%和88.69%，优于当前最先进（SOTA）方法。此外，我们探究了片段长度如何影响分类性能。评估了十三种不同的片段长度，显示分类性能随片段长度变化，且最大波动幅度超过4%。因此，片段长度是影响分类性能的一个重要因素。
引用
@article{arxiv.1906.02745,
title = {Automated Classification of Seizures against Nonseizures: A Deep Learning Approach},
author = {Xinghua Yao and Qiang Cheng and Guo-Qiang Zhang},
journal= {arXiv preprint arXiv:1906.02745},
year = {2019}
}
备注
12 pages, 8 figures. arXiv admin note: text overlap with arXiv:1903.09326