基于残差U-Net与数据增强的单通道EEG中尖波脉冲的稠密时间分段
机器学习
2026-02-05 v2 信号处理
摘要
手动标注缺失（SWDs）——这是一种 absence 癫痫的电图表征——对于长期脑电图（EEG）监测研究而言非常费时。虽然机器学习方法在自动检测方面显示出前景，但常因癫痫形态和信号特征之间的个体差异大，导致跨主体泛化性差。本研究我们对15种机器学习分类器进行比较，对自行构建的961小时C3H/HeJ小鼠EEG记录（包括22,637个标记SWDs）进行手动标注，发现1D U-Net性能最佳。随后我们采用残差连接和数据增强策略（包括�幅缩放、高斯噪声注入和信号反相）以提升跨主体泛化性能。我们还将本方法命名为AugUNet1D，与最近一种称为"双峰"的时间-频率基于算法的方法进行比较，结果表明AugUNet1D在我们的数据集上表现更佳。AugUNet1D可选用我们手动标注的数据进行预训练或不预训练，现已公开供其他用户使用。
引用
@article{arxiv.2601.00459,
title = {Combining Residual U-Net and Data Augmentation for Dense Temporal Segmentation of Spike Wave Discharges in Single-Channel EEG},
author = {Saurav Sengupta and Scott Kilianski and Suchetha Sharma and Sakina Lashkeri and Ashley McHugh and Mark Beenhakker and Donald E. Brown},
journal= {arXiv preprint arXiv:2601.00459},
year = {2026}
}