探究 CNN 深度对新生儿惊厥检测性能的影响
机器学习
2018-06-11 v1 机器学习
摘要
本研究提出了一种新颖的、深度的、全卷积架构，针对基于 EEG 的新生儿惊厥检测任务进行了优化。设计并测试了不同深度的架构；网络深度的变化影响卷积感受野及相应的所学特征复杂度。将两个深度卷积网络与浅层基于 SVM 的新生儿惊厥检测器进行比较，后者依赖于手工提取特征。在一个大型临床数据集（超过 800 小时多通道未编辑 EEG，包含 1389 次惊厥事件）上，11 层深度架构显著优于更浅架构，将 AUC90 从 82.6% 提升至 86.8%。将端到端深度架构与基于特征的浅层 SVM 结合进一步将 AUC90 提升至 87.6%。不同深度分类器的融合大幅提升了性能并降低了变异性，使组合分类器更具临床可靠性。
引用
@article{arxiv.1806.03044,
title = {Investigating the Impact of CNN Depth on Neonatal Seizure Detection Performance},
author = {Alison O'Shea and Gordon Lightbody and Geraldine Boylan and Andriy Temko},
journal= {arXiv preprint arXiv:1806.03044},
year = {2018}
}
备注
EMBC 2018