BNN: 针对EEG癫痫检测中带噪标签的贝叶斯不确定性感知深度学习
信号处理
2026-01-06 v2 机器学习
机器学习
摘要
深度学习正在推动EEG处理，用于自动化癫痫发作检测和定位发作区，但其性能高度依赖于高质量的标注训练数据。然而，头皮EEG受高噪声影响，导致癫痫时机和特征的标注不精确。这种“标签噪声”在模型训练和泛化中 presents a significant challenge. 本文引入贝叶斯不确定性感知深度学习（BUNDL），一种新型算法，使深度学习模型了解标签不确定性，从而增强癫痫检测系统的鲁棒性。通过将领域知识整合到贝叶斯框架中，我们推导出一种基于KL散度的损失函数，利用不确定性更好地从头皮EEG中学习癫症特征。因此，BUNDL提供了一种简洁且对现有架构无需额外参数的方法，用于训练带有噪声训练标签的深度神经网络。此外，我们探讨了改进检测系统对自动化发作区定位任务的影响。我们使用综合的模拟EEG数据集以及由Temple University Hospital（TUH）和波士顿儿童医院（CHB-MIT）收集的两个公开数据集验证了BUNDL。结果表明，BUNDL在各种标签噪声条件下都能一致地识别噪声标签，并提高了三个基准模型的鲁棒性。我们还评估了跨站点可靠性并量化了所有方法的计算成本。最终，BUNDL是一个可被无缝集成到临床实践中现有深度模型的可靠方法，使能够训练用于脑疾病评估的可信赖模型。
引用
@article{arxiv.2410.19815,
title = {Bayesian uncertainty-aware deep learning with noisy labels: Tackling annotation ambiguity in EEG seizure detection},
author = {Deeksha M. Shama and Archana Venkataraman},
journal= {arXiv preprint arXiv:2410.19815},
year = {2026}
}