MR-EEGWaveNet：用于从长时程 EEG 记录检测癫痫发作的多分辨率 EEGWaveNet
计算机视觉与模式识别
2025-08-20 v2 机器学习
摘要
针对广泛癫痫检测模型的特征工程仍是一个显著挑战。最近提出的模型性能依赖于训练数据，难以准确区分伪影和癫痫数据。在本研究中，我们提出了一种新型端到端模型“多分辨率 EEGWaveNet（MR-EEGWaveNet）”，通过捕获不同时间尺度上的时间依赖性和通道之间的空间关系，高效区分癫痫事件与背景电脑脊内ogram（EEG）及伪影/噪声。该模型包含三个模块：卷积模块通过深度卷积和时空卷积提取特征；特征提取模块单独降低从 EEG 片段及其子片段中提取的特征维度；随后，将提取的特征拼接成单个向量，用于通过全连接分类器（称为预测模块）进行分类。此外，本文引入了一种基于异常得分的后分类处理技术，以降低模型的误报率。报告了不同参数设置和数据集（Siena（公开）和 Juntendo（私有））的实验结果。所提出的 MR-EEGWaveNet 在 Siena 数据集上将 F1 分数从 0.177 提升至 0.336，在 Juntendo 数据集上从 0.327 提升至 0.488，分别实现了 15.9% 和 20.62% 的精度提升。
引用
@article{arxiv.2505.17972,
title = {MR-EEGWaveNet: Multiresolutional EEGWaveNet for Seizure Detection from Long EEG Recordings},
author = {Kazi Mahmudul Hassan and Xuyang Zhao and Hidenori Sugano and Toshihisa Tanaka},
journal= {arXiv preprint arXiv:2505.17972},
year = {2025}
}
备注
33 pages, 10 figures, 18 tables