用于SUDEP和卒中易感性预测建模的几何-随机多模态深度学习
机器学习
2025-12-10 v1 图像与视频处理
摘要
癫痫猝死（SUDEP）和急性缺血性卒中是涉及皮层、脑干和自主神经系统复杂交互的生命威胁性疾病。我们提出了一种统一的几何-随机多模态深度学习框架，整合EEG、ECG、呼吸、血氧饱和度（SpO2）、肌电图（EMG）和功能磁共振成像（fMRI）信号，用于建模SUDEP和卒中易感性。该方法结合了黎曼流形嵌入、李群不变特征表示、分数阶随机动力学、哈密顿能量流建模和跨模态注意力机制。卒中传播通过结构脑图上的分数阶流行病扩散建模。在MULTI-CLARID数据集上的实验展示了通过流形曲率、分数阶记忆指数、注意力熵和扩散中心性推导出的预测精度提升和可解释生物标志物。所提出的框架为神经-自主神经障碍的早期检测、风险分层和可解释多模态建模提供了数学原理基础。
引用
@article{arxiv.2512.08257,
title = {Geometric-Stochastic Multimodal Deep Learning for Predictive Modeling of SUDEP and Stroke Vulnerability},
author = {Preksha Girish and Rachana Mysore and Mahanthesha U and Shrey Kumar and Misbah Fatimah Annigeri and Tanish Jain},
journal= {arXiv preprint arXiv:2512.08257},
year = {2025}
}
备注
7 pages, 3 figures