基于早退范式的高频脑电伪迹不确定度检测
信号处理
2021-07-23 v1 机器学习
摘要
脑电图（EEG）对于脑疾病的监测与诊断至关重要。然而，EEG信号受到非脑源伪迹引起的干扰，限制了其有效性。当前的伪迹检测流程耗费大量资源，并且严重依赖手工设计的特征。此外，这些流程本质上是确定性的，使其无法捕捉预测不确定性。我们提出E4G，一种用于高频EEG伪迹检测的深度学习框架。我们的框架利用早退（early exit）范式，构建一个能够捕捉不确定性的隐式模型集成。我们在坦普尔大学医院EEG伪迹语料库（v2.0）上评估我们的方法，取得了最先进的分类结果。此外，E4G仅需一次前向传播即可提供与蒙特卡洛 dropout 等采样技术相媲美的良好校准的不确定性度量。E4G为支持人在回路（clinicians-in-the-loop）框架的不确定性感知伪迹检测打开了大门。
引用
@article{arxiv.2107.10746,
title = {High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm},
author = {Lorena Qendro and Alexander Campbell and Pietro Liò and Cecilia Mascolo},
journal= {arXiv preprint arXiv:2107.10746},
year = {2021}
}
备注
ICML 2021 Workshop on Human In the Loop Learning