MT-NAM：一种用于癫痫发作检测的高效自适应模型

Arshia Afzal; Volkan Cevher; Mahsa Shoaran

MT-NAM：一种用于癫痫发作检测的高效自适应模型

信号处理 2025-03-12 v1 人工智能机器学习

作者: Arshia Afzal , Volkan Cevher , Mahsa Shoaran

摘要

提升神经接口系统中机器学习算法的准确性和效率，对于推进下一代智能治疗设备至关重要。然而，当前系统通常采用未能充分利用脑信号自然结构的基础机器学习模型。此外，用于神经信号处理的现有学习模型在推理过程中往往表现出低速度和低效率。为应对这些挑战，本研究引入了基于微树的 NAM（MT-NAM），这是一种基于近期提出的神经加性模型（NAM）的蒸馏模型。与标准 NAM 相比，MT-NAM 在不牺牲准确率的情况下实现了 100 $\times$ 的显著推理速度提升。我们在 CHB-MIT 头皮脑电图数据集上评估了我们的方法，该数据集包含 24 名患者不同数量会话和癫痫发作的记录。NAM 实现了 85.3 $\%$ 的基于窗口的敏感性和 95 $\%$ 的特异性。有趣的是，我们提出的 MT-NAM 与原始 NAM 相比，敏感性仅降低了 2 $\%$ 。为恢复这一敏感性，我们利用测试时模板调节器（T3A）作为更新机制，使我们的模型能够通过适应神经信号的瞬态偏移在测试期间实现更高的敏感性。通过这种在线更新方法，MT-NAM 在实现与标准 NAM 相同敏感性的同时，实现了约 50 $\times$ 的推理加速。

关键词

癫痫发作检测神经加性模型模型蒸馏脑电图测试时自适应

引用

@article{arxiv.2503.08251,
  title  = {MT-NAM: An Efficient and Adaptive Model for Epileptic Seizure Detection},
  author = {Arshia Afzal and Volkan Cevher and Mahsa Shoaran},
  journal= {arXiv preprint arXiv:2503.08251},
  year   = {2025}
}

备注

Submitted to IEEE-TBME

MT-NAM：一种用于癫痫发作检测的高效自适应模型

摘要

关键词

引用

备注

相关论文