MICAL：基于互信息的CNN辅助学习因子图用于EEG信号癫痫发作检测
信号处理
2023-01-17 v1
摘要
我们开发了一种称为基于互信息的CNN辅助学习因子图（MICAL）的模型驱动与数据驱动混合癫痫发作检测算法，用于从EEG信号中检测癫痫发作。我们提出的方法包含三个主要组件：神经互信息（MI）估计器、一维卷积神经网络（CNN）和因子图推断。由于在发作期间大脑一个或多个区域的电活动变得相关，我们使用神经MI估计器来度量通道间统计依赖性。我们还设计了一维CNN从原始EEG信号中提取额外特征。由于从神经MI估计器和CNN获得的组合特征的软估计未捕获不同EEG块间的时间相关性，我们将其不作为发作状态的估计，而是用于计算因子图的函数节点。所得因子图允许结构化推断，利用时间相关性进一步提升检测性能。在公开CHB-MIT数据库上，我们采用三种评估方式，包括6折留四患者交叉验证、全患者训练以及逐患者训练。我们的评估通过完整的消融研究和六项性能度量系统展示了MICAL中每个元素的影响。结果表明，所提方法在6折留四患者交叉验证和全患者训练中取得了最先进的性能，展现出优越的泛化能力。
引用
@article{arxiv.2206.02298,
title = {MICAL: Mutual Information-Based CNN-Aided Learned Factor Graphs for Seizure Detection from EEG Signals},
author = {Bahareh Salafian and Eyal Fishel Ben-Knaan and Nir Shlezinger and Sandrine de Ribaupierre and Nariman Farsad},
journal= {arXiv preprint arXiv:2206.02298},
year = {2023}
}