用于癫痫发作预测的二值一维卷积神经网络
信号处理
2022-06-16 v1 人机交互
机器学习
摘要
如今，已有若干深度学习方法被提出以应对癫痫发作预测的难题。然而，由于这些方法需要较大的硬件及相应高功耗，仍无法作为植入式或高效可穿戴设备的一部分实现。它们通常需要复杂的特征提取过程、用于存储高精度参数的大内存以及复杂的算术计算，这极大增加了所需硬件资源。此外，现有方法预测性能较差，因为它们直接从图像识别应用采用网络架构，未能准确考虑EEG信号的特征。我们在本文中提出一种称为二值一维卷积神经网络（BSDCNN）的硬件友好型网络，用于癫痫发作预测。BSDCNN利用一维卷积核以提升预测性能。除第一层外，所有参数均被二值化以减少所需计算和存储。在美国癫痫学会癫痫发作预测挑战赛（AES）数据集和CHB-MIT数据集上，总体曲线下面积、灵敏度和误报率分别达到0.915、89.26%、0.117/h和0.970、94.69%、0.095/h。所提架构优于近期工作，同时在参数规模和计算量上分别实现了7.2倍和25.5倍的缩减。
引用
@article{arxiv.2206.07518,
title = {Binary Single-dimensional Convolutional Neural Network for Seizure Prediction},
author = {Shiqi Zhao and Jie Yang and Yankun Xu and Mohamad Sawan},
journal= {arXiv preprint arXiv:2206.07518},
year = {2022}
}
备注
2020 IEEE International Symposium on Circuits and Systems (ISCAS)