基于卷积神经网络的深度学习用于EEG病理解码与可视化
机器学习
2018-01-15 v3 神经与进化计算
机器学习
摘要
我们将卷积神经网络应用于从 Temple University Hospital EEG Abnormal Corpus 中区分病理与正常 EEG 记录的任务。我们使用了两种基础、浅层和深层的 ConvNet 架构，最近研究表明它们在从 EEG 中解码任务相关信息方面，表现至少与为此目的设计的现有算法一样好。在解码 EEG 病理时，两种 ConvNet 均达到了比该数据集唯一已发表结果显著更高的准确率（约高 6%，~85% vs. ~79%），并且在仅使用每条记录 1 分钟进行训练、仅 6 秒进行测试时依然表现更优。我们使用自动化方法优化了架构超参数，并发现了引人注目的不同 ConvNet 架构，例如以最大池化作为唯一的非线性操作。对 ConvNet 解码行为的可视化表明，它们利用了 delta (0-4 Hz) 和 theta (4-8 Hz) 频率范围内的频谱功率变化，可能还伴随其他特征，这与从 EEG 数据频谱分析和文本医疗报告中得出的预期一致。对文本医疗报告的分析还强调了通过整合上下文信息（如受试者年龄）来提高准确率的潜力。总而言之，本研究中使用的 ConvNet 和可视化技术构成了迈向临床实用的自动 EEG 诊断的下一步，并为未来在该主题上的工作确立了新的基线。
引用
@article{arxiv.1708.08012,
title = {Deep learning with convolutional neural networks for decoding and visualization of EEG pathology},
author = {Robin Tibor Schirrmeister and Lukas Gemein and Katharina Eggensperger and Frank Hutter and Tonio Ball},
journal= {arXiv preprint arXiv:1708.08012},
year = {2018}
}
备注
Published at IEEE SPMB 2017 https://www.ieeespmb.org/2017/