改进用于脑电图数据癫痫发作检测的自监督预训练模型
信号处理
2022-07-15 v1 机器学习
摘要
互联网上有大量医疗数据，其中大多数为未标注数据。传统的监督学习算法常受限于标注数据的数量，尤其在医疗领域，标注需要耗费大量人力处理并依赖专业专家。它们还容易出现人为错误且存在偏差，因为仅由少数选定的专家标注者进行标注。自监督可缓解这些问题，我们通过观察数据本身从未标注数据中生成伪标签。本文提出多种自监督策略，以增强基于时间序列的扩散卷积循环神经网络（DCRNN）模型的性能。自监督预训练阶段学习到的权重可迁移至监督训练阶段，从而提升模型的预测能力。我们的技术在扩散卷积循环神经网络（DCRNN）模型的扩展版本上进行了测试，该模型为一种带有图扩散卷积的 RNN，可对 EEG 信号中的时空依赖关系建模。当将预训练阶段学习到的权重迁移至 DCRNN 模型以判断某个 EEG 时间窗是否含有与之相关的特征性发作信号时，我们的方法在 TUH EEG 癫痫发作语料库上取得的 AUROC 分数比当前最先进（SOTA）模型高 。
引用
@article{arxiv.2207.06911,
title = {Improving self-supervised pretraining models for epileptic seizure detection from EEG data},
author = {Sudip Das and Pankaj Pandey and Krishna Prasad Miyapuram},
journal= {arXiv preprint arXiv:2207.06911},
year = {2022}
}