面向多通道 EEG 信号跨患者癫痫检测的轻量卷积 Transformer
信号处理
2023-05-09 v1 机器学习
摘要
背景：癫痫是一种影响大脑的神经系统疾病，使患者更易发生频繁、自发性发作。为评估癫痫药物治疗疗效，必须有一种准确的自动化方法来衡量发作频率与严重程度。药物剂量常源自患者报告，可能因对发作及其频率描述不充分或不准确而引发显著问题。方法与材料：本研究提出一种基于深度学习的轻量卷积 Transformer（LCT）新架构。该 Transformer 能够同时从多通道脑电图（EEG）信号中学习空间与时间相关信息，以在更短片段长度上检测发作。在所提模型中，通过卷积令牌化降低了 ViT 缺乏平移等变性与局部性的问题，并通过序列池化而非可学习类令牌提取 Transformer 编码器的丰富信息。结果：大量实验结果表明，所提跨患者学习模型能有效从原始 EEG 信号检测发作。在 CHB-MIT 数据集上，跨患者情形下以 0.5 秒片段长度进行发作检测的准确率与 F1-score 分别为 96.31% 与 96.32%。此外，性能指标显示模型中归纳偏置与基于注意力的池化的引入提升了性能并减少了 Transformer 编码器层数，显著降低了计算复杂度。本工作提供了一种提升效率并简化多通道自动化发作检测架构的新途径。
引用
@article{arxiv.2305.04325,
title = {Lightweight Convolution Transformer for Cross-patient Seizure Detection in Multi-channel EEG Signals},
author = {Salim Rukhsar and Anil K. Tiwari},
journal= {arXiv preprint arXiv:2305.04325},
year = {2023}
}
备注
The paper is under review in Neural Network, Elsevier