基于标注者独热的 EEG 癫痫瞬变检测
机器学习
2019-07-10 v3 神经与进化计算
神经元与认知
机器学习
摘要
预防癫痫的早期进展及其发作严重程度需要有效的诊断。癫痫瞬变指示了发生发作的能力,但人类在脑电图(EEG)中会忽略此类短暂事件,从而危及患者治疗。传统上,EEG 事件检测算法的训练依赖于由多数标注者共识获得的真值标签。在本工作中,我们超越 EEG 数据上的标注者共识。我们的事件描述符将 EEG 信号特征与独热编码的标注者类别相整合,这是提升泛化性能的关键。值得注意的是,提升决策树利用了单标注但更多样化的训练集。我们的定量实验表明,所提出的标注者独热癫痫事件检测器始终优于共识训练的检测器,并维持检测的可信区间。我们在婴儿 EEG 记录上的结果表明,当标签同时包含事件和标注者类别时,通过将可用人力从面向共识的标注转向分离标注,数据集可以更快地获得更高的事件多样性,从而取得更好的性能。
引用
@article{arxiv.1903.04337,
title = {Labeler-hot Detection of EEG Epileptic Transients},
author = {Lukasz Czekaj and Wojciech Ziembla and Pawel Jezierski and Pawel Swiniarski and Anna Kolodziejak and Pawel Ogniewski and Pawel Niedbalski and Anna Jezierska and Daniel Wesierski},
journal= {arXiv preprint arXiv:1903.04337},
year = {2019}
}
备注
5 pages, 6 figures, 1 table