用于癫痫发作检测的门控循环网络
信号处理
2018-01-09 v1 人工智能
机器学习
摘要
具有实现门控机制的复杂单元的循环神经网络（RNN）已成为建模语音或脑电图（EEG）等序列信号的有力技术。后者是本文的重点。已知为TUH EEG Corpus（TUEEG）的大型数据资源近期已可用于EEG研究，为在这些序列上评估此类循环单元提供了独特机会。在本研究中，我们比较两类循环单元：长短期记忆单元（LSTM）与门控循环单元（GRU）。使用集成卷积神经网络（CNN）与RNN的最先进混合架构对它们进行评估。我们还研究了多种初始化方法，并表明初始化至关重要，因为初始化不佳的网络无法训练。此外，我们探讨了这些卷积门控循环网络的正则化以应对过拟合问题。实验显示，卷积LSTM网络可显著优于卷积GRU网络。具有适当初始化与正则化的卷积LSTM架构在每24小时6次假报警下达到30%灵敏度。
引用
@article{arxiv.1801.02471,
title = {Gated Recurrent Networks for Seizure Detection},
author = {Meysam Golmohammadi and Saeedeh Ziyabari and Vinit Shah and Eva Von Weltin and Christopher Campbell and Iyad Obeid and Joseph Picone},
journal= {arXiv preprint arXiv:1801.02471},
year = {2018}
}
备注
Published in Dec 2017 publication In IEEE Signal Processing in Medicine and Biology Symposium. Philadelphia, Pennsylvania, USA. arXiv admin note: text overlap with arXiv:1712.09776