面向早产儿 EEG 癫痫发作检测的深度学习
信号处理
2021-06-02 v1 人工智能
机器学习
摘要
EEG 是新生儿癫痫发作检测的金标准，但早产儿群体的 EEG 判读尤其具有挑战性；训练有素的专家稀缺，且实时判读 EEG 的任务十分艰巨。据报道，早产儿癫痫发作发生率高于足月儿。早产儿 EEG 形态不同于足月儿，这意味着基于足月儿 EEG 训练的癫痫发作检测算法可能并不适用。鉴于可用的标注早产儿 EEG 数据有限，开发早产儿专用算法的任务变得格外困难。本文探索了用于早产儿新生儿癫痫发作检测任务的新型深度学习（DL）架构。该研究测试并比较了几种解决该问题的方法：在足月儿数据上训练；在早产儿数据上训练；在年龄特异性早产儿数据上训练并迁移学习。系统性能在一个时长为 575 小时的连续 EEG 记录大型数据库上进行了评估。结果表明，基于支持向量机分类器、经验证的足月训练的 EEG 癫痫发作检测算法，在早产儿上测试时，其准确率远低于在足月儿上取得的性能。在早产儿 EEG 上测试获得的 AUC 为 88.3%，而在足月儿 EEG 上测试获得的 AUC 为 96.6%。当在早产儿 EEG 上重新训练时，性能微增至 89.7%。另一种 DL 方法在早产儿队列上测试时表现出更稳定的趋势，从足月训练算法的 AUC 93.3% 起步，通过利用可用早产儿数据从足月模型迁移学习达到 95.0%。
引用
@article{arxiv.2106.00611,
title = {Deep Learning for EEG Seizure Detection in Preterm Infants},
author = {Alison OShea and Rehan Ahmed and Gordon Lightbody and Sean Mathieson and Elena Pavlidis and Rhodri Lloyd and Francesco Pisani and Willian Marnane and Geraldine Boylan and Andriy Temko},
journal= {arXiv preprint arXiv:2106.00611},
year = {2021}
}