通过知识蒸馏弥合患者特定与患者无关癫痫预测之间的鸿沟

目的。深度神经网络（DNNs）在诸如癫痫预测等各类脑机接口应用中展现了前所未有的成功。然而，由于癫痫信号高度个性化的特征，现有方法通常以患者特定的方式训练模型。因此，每个受试者仅有有限数量的标记记录可用于训练。其结果，由于训练数据不足，当前基于DNN的方法在某种程度上表现出较差的泛化能力。另一方面，患者无关模型试图通过将患者数据汇集在一起来利用更多患者数据训练适用于所有患者的通用模型。尽管应用了不同技术，结果表明由于患者间的高个体差异，患者无关模型表现劣于患者特定模型。因此，患者特定模型与患者无关模型之间存在显著鸿沟。方法。本文中，我们提出一种基于知识蒸馏的新型训练方案，其利用了来自多个受试者的大量数据。它首先通过预训练通用模型从所有可用受试者的信号中蒸馏出信息性特征。随后可在蒸馏知识与额外个性化数据的辅助下获得患者特定模型。主要结果。四种最先进的癫痫预测方法在波士顿儿童医院-MIT sEEG数据库上以我们所提方案进行训练。所得准确率、灵敏度与误报率表明，我们所提训练方案以大幅度一致提升了最先进方法的预测性能。意义。所提训练方案显著改善了患者特定癫痫预测器的性能，并弥合了患者特定与患者无关预测器之间的鸿沟。