MP-SeizNet：一种用于基于脑电图进行癫痫发作类型分类的多路径CNN Bi-LSTM网络
信号处理
2023-03-09 v2 机器学习
摘要
癫痫发作类型识别对于癫痫患者的治疗与管理至关重要。然而，这是一个已知耗时且费力的困难过程。随着机器学习算法的进步，自动诊断系统有潜力加速分类过程、警示患者并支持医生做出快速准确的决策。本文提出了一种新颖的多路径癫痫发作类型分类深度学习网络（MP-SeizNet），该网络由卷积神经网络（CNN）和带有注意力机制的双向长短期记忆神经网络（Bi-LSTM）组成。本研究的目标是仅使用脑电图（EEG）数据对特定类型的癫痫发作进行分类，包括复杂部分性、单纯部分性、失神性、强直性和强直-阵挛性发作。EEG数据以两种不同的表示形式馈入我们提出的模型。CNN接收从EEG信号中提取的基于小波的特征，而Bi-LSTM则接收原始EEG信号，使我们的MP-SeizNet能够从癫痫发作数据的不同表示中联合学习，以获取更准确的信息。所提出的MP-SeizNet使用最大的可用EEG癫痫数据库——天普大学医院EEG癫痫发作语料库TUSZ v1.5.2进行评估。我们分别使用三折交叉验证和五折交叉验证在不同患者数据和不同发作数据上评估了所提出的模型，分别取得了87.6%和98.1%的F1分数。
引用
@article{arxiv.2211.04628,
title = {MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG},
author = {Hezam Albaqami and Ghulam Mubashar Hassan and Amitava Datta},
journal= {arXiv preprint arXiv:2211.04628},
year = {2023}
}