用于个性化癫痫发作检测的知识蒸馏图神经网络
信号处理
2023-04-14 v1 机器学习
摘要
用于癫痫发作监测检测的可穿戴设备可显著改善癫痫患者的生活质量。然而,现有方案大多依赖全套脑电图(EEG)电极测量,不便日常使用。本文提出一种新颖的知识蒸馏方法,将基于全套电极数据训练的复杂 seizure 检测器(称为教师)的知识迁移到新检测器(称为学生)。二者均提供轻量实现,并显著减少记录 EEG 所需电极数量。我们考虑教师与学生 seizure 检测器均为图神经网络(GNN)的情形,因这类架构可主动利用连接信息。我们考虑两种情况:(a) 使用预选通道为所有患者学习单一学生模型;(b) 使用 Gumbel-softmax 方法为每位患者个性化选择通道并学习个性化学生模型。在公开可用的坦普尔大学医院 EEG 癫痫数据语料库(TUSZ)上的实验表明,知识蒸馏与个性化在提升 seizure 检测性能方面均发挥重要作用,尤其对 EEG 数据稀缺的患者。我们观察到,仅使用两个通道即可获得有竞争力的 seizure 检测性能。这进而展示了我们的方法在可穿戴设备个性化 seizure 监测更真实场景中的潜力,即便记录数据很少。
引用
@article{arxiv.2304.06038,
title = {Knowledge-Distilled Graph Neural Networks for Personalized Epileptic Seizure Detection},
author = {Qinyue Zheng and Arun Venkitaraman and Simona Petravic and Pascal Frossard},
journal= {arXiv preprint arXiv:2304.06038},
year = {2023}
}