基于对称与混合双线性模型的癫痫发作分类
信号处理
2020-01-20 v1 机器学习
机器学习
摘要
癫痫影响全球近 1% 的人口，其中三分之二可通过抗癫痫药物治疗，而可通过手术治疗的比例则低得多。癫痫的诊断程序和监测高度专业化且劳动密集。诊断的准确性还因临床症状重叠、经验水平差异以及临床专业人员之间的观察者间变异性而变得复杂。本文提出了一种新颖的混合双线性深度学习网络，应用于癫痫分类诊断的临床流程，其中使用表面脑电图（sEEG）和视听监测是标准做法。基于两类特征提取器（即卷积神经网络（CNNs）和循环神经网络（RNNs））的混合双线性模型，使用一秒 sEEG 的短时傅里叶变换（STFT）进行训练。在所提出的混合模型中，CNNs 提取时空模式，而 RNNs 在给定相同输入数据的情况下关注较长时间间隔内的时间动态特征。基于这些时空特征之间相互作用的二阶特征通过双线性池化进一步挖掘，并用于癫痫分类。我们提出的方法在坦普尔大学医院癫痫语料库上获得了 97.4% 的 F1 分数，在 EPILEPSIAE 数据集上获得了 97.2% 的 F1 分数，优于现有的基于 sEEG 的癫痫发作类型分类基准。本研究的开源实现可在 https://github.com/NeuroSyd/Epileptic-Seizure-Classification 获取。
引用
@article{arxiv.2001.06282,
title = {Epileptic Seizure Classification with Symmetric and Hybrid Bilinear Models},
author = {Tennison Liu and Nhan Duy Truong and Armin Nikpour and Luping Zhou and Omid Kavehei},
journal= {arXiv preprint arXiv:2001.06282},
year = {2020}
}
备注
9 pages, 4 figures, 3 tables