C$^2$SP-Net：用于癫痫 seizure 预测的联合压缩与分类网络
机器学习
2022-05-30 v2 人工智能
摘要
脑机接口技术近期的发展使癫痫发作预测成为可能。然而，由于带宽受限与计算资源有限，尤其在可穿戴与植入式医疗设备中，传感器与处理装置间大量电生理信号的通信及相关计算成为癫痫发作预测系统的两大瓶颈。尽管压缩感知（CS）可用于压缩信号以降低通信带宽需求，但其需在信号用于癫痫预测前执行复杂重建过程。本文中，我们提出 CSP-Net，以单一神经网络联合解决压缩、预测与重建。构建即插即用式传感器内压缩矩阵以降低传输带宽需求。压缩信号可在无额外重建步骤下用于癫痫预测。原始信号重建亦可高保真进行。所提框架的预测准确率、灵敏度、误报率与重建质量在各种压缩比下评估。实验结果表明，我们的模型在预测准确率上大幅优于具竞争力的前沿基线。特别地，我们提出的方法在 1/2 至 1/16 压缩比范围内仅产生 0.35 % 的平均预测准确率损失。
引用
@article{arxiv.2110.13674,
title = {C$^2$SP-Net: Joint Compression and Classification Network for Epilepsy Seizure Prediction},
author = {Di Wu and Yi Shi and Ziyu Wang and Jie Yang and Mohamad Sawan},
journal= {arXiv preprint arXiv:2110.13674},
year = {2022}
}