使用卷积网络的局灶性发作 seizure 预测
机器学习
2018-05-30 v1 机器学习
摘要
目的：本工作研究局灶性癫痫发作可使用头皮脑电图（EEG）数据进行预测的假设。我们的首要目标是学习区分发作间期与发作前期区域的特征。第二个目标是在预测尽可能准确且尽可能早的预警时间内进行定义，这显然是两个相互竞争的目标。方法：在 EEG 信号的小波变换上使用卷积滤波器，以定义并学习各时期（发作间期、发作前期与发作期）的定量特征。最优癫痫发作预警时间亦从数据中学习，而非作先验假设。结果：该优化问题的计算解表明预警时间为十分钟。此结果通过测量自动提取特征分布上的 Kullback-Leibler 散度得以验证。结论：在包含 204 段记录的 EEG 数据库上的结果表明：(i) 发作前期相变约在发作开始前十分钟发生；(ii) 测试集上的预测结果令人鼓舞，灵敏度为 87.8%，假预测率低至 0.142 FP/h。我们的结果显著优于随机预测器与其他癫痫发作预测算法。意义：我们证明了可从头皮 EEG 中学习到一组鲁棒特征，用以刻画局灶性癫痫的发作前期状态。
引用
@article{arxiv.1805.11576,
title = {Focal onset seizure prediction using convolutional networks},
author = {Haidar Khan and Lara Marcuse and Madeline Fields and Kalina Swann and Bülent Yener},
journal= {arXiv preprint arXiv:1805.11576},
year = {2018}
}
备注
8 pages, 6 figures, 3 tables