基于树结构的低功耗 EEG 伪迹检测
信号处理
2022-04-21 v1 机器学习
摘要
在癫痫监测中，由于 EEG 伪迹与 seizure 在幅值与频率上形态相似，常被误认为癫痫发作，致使 seizure 检测系统易受较高误报率影响。本工作中，我们基于最少 EEG 通道数，在并行超低功耗（PULP）嵌入式平台上实现了一种伪迹检测算法。分析基于 TUH EEG Artifact Corpus 数据集，并聚焦于颞电极。首先，我们利用自动化机器学习框架在频域提取最优特征模型，在 4 个颞 EEG 通道设置下达到 93.95% 准确率与 0.838 的 F1 分数。所得准确率水平超越 SOTA 近 20%。随后，这些算法被并行化并针对 PULP 平台优化，相比 SOTA 低功耗伪迹检测框架实现，能效提升 5.21 倍。将该模型与低功耗 seizure 检测算法结合，可在 300 mAh 电池、可穿戴形态与功耗预算下实现 300 小时连续监测。这些结果为实现低成本、可穿戴、长时癫痫监测方案铺平了道路，其具有低假阳性率与高灵敏度，满足患者与照护者需求。
引用
@article{arxiv.2204.09577,
title = {Energy-Efficient Tree-Based EEG Artifact Detection},
author = {Thorir Mar Ingolfsson and Andrea Cossettini and Simone Benatti and Luca Benini},
journal= {arXiv preprint arXiv:2204.09577},
year = {2022}
}
备注
6 pages, 3 figures, 2 tables