用于临床数据中癫痫发作检测与分类的卷积神经网络
信号处理
2020-07-14 v2 机器学习
摘要
临床脑电图数据中的癫痫发作检测与分类仍是一项挑战，现有商用癫痫发作检测工具通常非患者特异性，仅能达到低灵敏度与高假阳性率。癫痫患者因不可预测的发作而遭受严重伤害，如身体损伤或抑郁。然而，即使在医院中，由于高假阳性率，癫痫警报系统对患者帮助甚微，因为发作检测工具大多在极不真实的干净数据上训练，所含噪声极少且在受控实验室条件下获取，患者群体同质（例如年龄或发作类型一致）。在本研究中，作者提出一种利用临床脑电图数据及在脑同步与功率谱特征上训练的卷积神经网络进行癫痫发作检测与分类的方法。我们应用了多种深度学习方法，并在高度异质的临床脑电图数据集上训练网络。总共考虑了八种不同类型的发作，患者年龄、健康状况各异，且于临床条件下被观测。尽管如此，本文所提出的分类器达到了 0.68 的灵敏度与 0.67 的特异度，相较于临床数据的已知结果有显著改进。
引用
@article{arxiv.1903.08864,
title = {Convolutional neural network for detection and classification of seizures in clinical data},
author = {Tomas Iesmantas and Robertas Alzbutas},
journal= {arXiv preprint arXiv:1903.08864},
year = {2020}
}
备注
Med Biol Eng Comput (2020)