基于深度学习模型的患者无关癫痫发作预测
计算机视觉与模式识别
2020-11-20 v1
摘要
目的：癫痫是人类中最普遍的神经系统疾病之一，可导致严重的脑损伤、中风和脑肿瘤。早期检测发作有助于减轻损伤，并可用于辅助癫痫患者的治疗。癫痫发作预测系统的目的是成功识别发作前出现的发作前期脑阶段。患者无关癫痫发作预测模型旨在对数据集中多个受试者提供准确性能，并已被认为是解决癫痫发作预测问题的现实方案。然而，针对设计此类模型以适应 EEG 数据中高度受试者间变异性的关注甚少。方法：我们提出两种具有不同学习策略的患者无关深度学习架构，可利用来自多个受试者的数据学习全局函数。结果：所提模型在 CHB-MIT-EEG 数据集上实现了 SOTA（state-of-the-art）的癫痫发作预测性能，分别达到 88.81% 和 91.54% 的准确率。结论：在所提学习策略上训练的 Siamese 模型能够学习数据中与患者变异相关的模式，同时预测发作。意义：我们的模型在患者无关癫痫发作预测上表现出优越性能，且同一架构在模型适配后可用作患者特定分类器。我们是首个采用模型解释来理解分类器在癫痫发作预测任务中行为的研究，并且我们还表明模型所利用的 MFCC 特征图包含与发作间期和发作前期脑状态相关的预测性生物标志物。
引用
@article{arxiv.2011.09581,
title = {Patient-independent Epileptic Seizure Prediction using Deep Learning Models},
author = {Theekshana Dissanayake and Tharindu Fernando and Simon Denman and Sridha Sridharan and Clinton Fookes},
journal= {arXiv preprint arXiv:2011.09581},
year = {2020}
}