优化通道选择用于癫痫发作检测
信号处理
2018-01-09 v1 计算机视觉与模式识别
神经元与认知
机器学习
摘要
脑电图（EEG）信号的解读可能因混淆性伪迹而复杂化。伪迹检测在EEG信号的观测与分析中起重要作用。电极放置中所含的空间信息可用于准确检测伪迹。然而，当使用较少电极时，可用空间信息减少，使伪迹检测更困难。在本研究中，我们考察深度学习算法CNN-LSTM在若干通道配置下的性能。每种配置均旨在相比标准22通道EEG最小化空间信息损失。使用8至20个减少通道数的系统达到了33%至37%的灵敏度，假报警范围为每24小时[38, 50]次。当通道数进一步减少时，假报警急剧增加（例如每24小时超过300次）。使用全部22通道的系统的基线性能为39%灵敏度与23次假报警。由于22通道系统是唯一包含参考通道的系统，随着通道数减少假报警率快速上升凸显了保留参考通道以减伪迹的重要性。这一警示性结果很重要，因为所施行的各类EEG之间最大的差异之一在于所用参考通道的类型。
引用
@article{arxiv.1801.02472,
title = {Optimizing Channel Selection for Seizure Detection},
author = {Vinit Shah and Meysam Golmohammadi and Saeedeh Ziyabari and Eva Von Weltin and Iyad Obeid and Joseph Picone},
journal= {arXiv preprint arXiv:1801.02472},
year = {2018}
}
备注
Published in Dec 2017 publication IEEE Signal Processing in Medicine and Biology Symposium. Philadelphia, Pennsylvania, USA