用于癫痫发作检测及早期发作检测系统的深度循环神经网络
定量方法
2017-06-13 v1 机器学习
摘要
癫痫是常见的神经系统疾病，影响全球约 0.6-0.8% 的人口。癫痫患者遭受慢性非诱发性发作，这可能导致广泛的 debilitating 医疗和社会后果。由于发作通常发生频率低且不可预测，建议使用自动发作检测系统在长期脑电图 (EEG) 记录期间筛查发作。此外，早期发作检测系统可促成新型干预系统的开发，旨在控制或缩短发作事件的持续时间。本文研究了循环神经网络 (RNNs) 在设计发作检测和早期发作检测系统中的效用。我们提出了一个通过使用门控循环单元 (GRU) RNNs 进行发作检测的深度学习框架。我们使用公开可用的数据来评估我们的方法，并展示了非常有前景的评估结果，总体准确率接近 100%。我们还系统地研究了我们的方法在早期发作预警系统中的应用。我们的方法能够在整个癫痫发作持续时间的最初 5 秒内检测到约 98% 的发作事件。
引用
@article{arxiv.1706.03283,
title = {Deep Recurrent Neural Networks for seizure detection and early seizure detection systems},
author = {Sachin S. Talathi},
journal= {arXiv preprint arXiv:1706.03283},
year = {2017}
}