基于端到端二值运算的 iEEG 癫痫检测一次学习:超维计算与局部二值模式
信号处理
2018-09-10 v1 机器学习
神经元与认知
机器学习
摘要
本文提出一种高效的二值化算法,用于从颅内脑电图(iEEG)中进行人癫痫的学与分类。该算法将局部二值模式与受脑启发的超维计算相结合,以二值运算实现端到端的学习与推断。算法首先将各电极的 iEEG 时间序列转换为局部二值模式编码。随后使用原子高维二值向量构建跨所有电极的癫痫复合表示。对我们大多数患者(16 人中的 10 人),算法从一到两次癫痫发作中快速学习(即一次/少次学习)并完美泛化于另外 27 次发作。对其他患者,算法需三到六次发作用于学习。总体而言,我们的算法在以更高特异度与灵敏度、更低内存占用检测 65 次新发发作上超越了 SOTA 方法。
引用
@article{arxiv.1809.01926,
title = {One-shot Learning for iEEG Seizure Detection Using End-to-end Binary Operations: Local Binary Patterns with Hyperdimensional Computing},
author = {Alessio Burrello and Kaspar Schindler and Luca Benini and Abbas Rahimi},
journal= {arXiv preprint arXiv:1809.01926},
year = {2018}
}
备注
Published as a conference paper at the IEEE BioCAS 2018