长期 EEG 信号中混合管线 SWD 检测
信号处理
2025-09-25 v1 机器学习
应用统计
机器学习
摘要
脉冲-波形脱落 (Spike-and-wave discharges, SWD) 是缺乏性癫痫的脑电图特征，但其在多日记录中的手动识别仍需大量工作且容易出错。我们提出一种轻量级混合管线，结合分析特征与浅层人工神经网络 (ANN)，实现对长期单极性 EEG 中的准确、患者专有的 SWD 检测。首先采用双向移动平均 (MA) 滤波器抑制正常背景活动的高频成分。剩余信号随后通过其正态分布样本的均值与标准差概括，生成每个 20 秒窗口的紧凑二维特征向量。这些特征输入到单隐藏层 ANN 中，通过反向传播训练，对每个窗口进行 SWD 或非-SWD 分类。该方法在 12 名患者、256 Hz 采样率的 780 条通道上进行评估，包含 392 条已标注的 SWD 事件。方法正确检测到 384 条事件 (灵敏度: 98%)，特异度达 96.2%，整体准确率达 97.2%。由于特征提取为解析方法且分类器规模小，此管线可实时运行且无需手动调节阈值。这些结果表明，正态分布描述符结合适度 ANN 提供了一种有效且计算廉价的解决方案，用于延长 EEG 记录中的自动化 SWD 筛查。
引用
@article{arxiv.2509.19387,
title = {Hybrid Pipeline SWD Detection in Long-Term EEG Signals},
author = {Antonio Quintero Rincon and Nicolas Masino and Veronica Marsico and Hadj Batatia},
journal= {arXiv preprint arXiv:2509.19387},
year = {2025}
}
备注
11 pages, 8 figures, 4 tables, SABI 2025 CLIC 2025