基于多质心超维计算方法的癫痫发作检测
机器学习
2022-04-11 v1 神经与进化计算
信号处理
摘要
从实时检测与可穿戴设备设计的工程视角来看，癫痫患者的长期监测是一个具有挑战性的问题。它需要新的解决方案，以实现持续无阻碍的监测以及对发作的可靠检测与预测。在脑电图（EEG）模式中，人与人之间、脑状态之间以及发作期间（也包括非发作期间）的时间实例之间存在高度变异性。这使得癫痫发作检测非常困难，尤其是在数据仅被归为发作与非发作标签的情况下。超维（HD）计算作为一种新颖的机器学习方法，是一个有前景的工具。然而，当数据表现出高类内变异性时，它存在一定局限。因此，在本工作中，我们提出一种基于多质心 HD 计算的新型半监督学习方法。多质心方法允许使用多个原型向量来表示发作与非发作状态，与简单的二分类 HD 模型相比，显著提升了性能。此外，真实数据的不平衡带来了额外挑战，而在平衡子集上报告的性能很可能被高估。因此，我们使用三种不同的数据集平衡场景测试我们的多质心方法，表明在平衡度较低的数据集上性能提升更高。更具体地说，在发作数据比非发作数据少 10 倍的不平衡测试集上，实现了高达 14% 的提升。同时，与平衡数据集相比，子类别的总数并未显著增加。因此，所提出的多质心方法可成为在真实数据平衡或在线学习（发作稀少）情况下实现高性能癫痫检测的重要组成要素。
引用
@article{arxiv.2111.08463,
title = {Multi-Centroid Hyperdimensional Computing Approach for Epileptic Seizure Detection},
author = {Una Pale and Tomas Teijeiro and David Atienza},
journal= {arXiv preprint arXiv:2111.08463},
year = {2022}
}