用于可穿戴EEG事件监测中最佳电极配置识别的单类自编码器方法
信号处理
2021-05-20 v3 机器学习
应用统计
摘要
可穿戴设备用于连续医疗健康监测的广泛常规应用的一个限制因素是其笨重和侵入性。对于脑电图（EEG）记录而言尤其如此，其需要将多个电极置于与头皮接触的位置。本工作中，我们提出针对基于EEG的事件检测与监测，从最少电极数量、舒适位置和性能方面识别最佳可穿戴EEG电极配置。依托自编码器（AE）网络从高维数据学习潜在表征的已证实能力，我们提出的策略以不同电极配置作为输入数据，在单类分类设置下训练AE架构。所得模型使用F值评估，并根据既定最优准则选择最佳配置。以α波检测为用例，我们证明所提方法能够从由前额与耳后电极构成的最佳配置检测α状态，平均F值为0.78。我们的结果表明，基于学习的方法可用于实现面向真实医疗健康监测的优化可穿戴设备的设计与部署。
引用
@article{arxiv.2104.04546,
title = {One-class Autoencoder Approach for Optimal Electrode Set-up Identification in Wearable EEG Event Monitoring},
author = {Laura M. Ferrari and Guy Abi Hanna and Paolo Volpe and Esma Ismailova and François Bremond and Maria A. Zuluaga},
journal= {arXiv preprint arXiv:2104.04546},
year = {2021}
}