BISeizuRe：基于 BERT 的癫痫数据表示以提高脑电监测效果
机器学习
2024-06-28 v1 人工智能
摘要
本研究提出一种 novel 方法，用于基于 EEG 的癫痫检测，利用 BERT-based 模型。该模型 BENDR 采用两阶段训练过程。首先，在由 Temple University Hospital EEG Corpus (TUEG) 提供的大型数据集 (1.5 TB，包含 10,000 多名受试者) 上进行预训练，以提取常见的 EEG 数据模式。随后，在由 CHB-MIT 头皮 EEG 数据库提供的 664 条 EEG 记录 (来自 24 名儿童患者，其中 198 条包含癫痫事件) 上进行微调。主要贡献包括优化 CHB-MIT 数据集上的微调，详尽检验模型架构、预处理和后处理技术的影响，以提高灵敏度并降低每小时误报率 (FP/h)。我们还探索了自定义训练策略，以确定最有效的设置。该模型在特定受试者微调前经过 novel 第二阶段预训练，增强了其泛化能力。优化后的模型显示出显著的性能提升，最低可达到 0.23 FP/h，较基线模型低 2.5 倍，灵敏度虽低但仍可接受，展示了在 EEG 基于癫痫检测中应用 BERT 方法的有效性。
引用
@article{arxiv.2406.19189,
title = {BISeizuRe: BERT-Inspired Seizure Data Representation to Improve Epilepsy Monitoring},
author = {Luca Benfenati and Thorir Mar Ingolfsson and Andrea Cossettini and Daniele Jahier Pagliari and Alessio Burrello and Luca Benini},
journal= {arXiv preprint arXiv:2406.19189},
year = {2024}
}
备注
4 pages, 2 tables, 2 figures