有限标签的持续学习在资源受限条件下的个性化癫痫发作检测
机器学习
2025-09-18 v1 信号处理
摘要
目标：癫痫是一种流行的神经疾病， 需要谨慎诊断和持续护理。癫痫发作检测仍具有挑战性， 因为当前临床实践依赖于专家分析脑电图(EEG)， 这是一个耗时且需要专业知识的过程。针对这一挑战，本文探索了使用深度学习进行自动化脑电发作检测， 关注能够适应每个患者独特脑电信号特征并随时间演化的个性化持续学习模型。方法：在此背景下，本方法解决将新数据集成到现有模型中而不发生灾难性遗忘的挑战， 这在静态深度学习模型中是常见问题。我们提出了 EpiSMART，一种用于癫痫发作检测的持续学习框架， 采用受限大小的回放缓冲区和明确的样本选择策略，以 incrementally 适应患者特定的脑电信号。通过有选择地保留高熵和预测发作的样本，本方法在保持高性能的同时， 最小化内存和计算需求。结果：在 CHB-MIT 数据集上的验证显示，EpiSMART 在除所有其他患者外的每个患者上的 F1 分数提升 21%。平均而言，EpiSMART 每天仅需 6.46 分钟的标记数据和 6.28 次更新， 适合在可穿戴系统中实现实时部署。结论：EpiSMART 在现实且资源受限的条件下， 通过有效地将新数据集成到现有模型中而不降低过去知识， 实现了稳健且个性化的癫痫发作检测。意义：本框架通过提供一种支持患者特定适应性并适用于可穿戴医疗系统部署的持续学习方法， 推动了自动化癫痫发作检测的发展。
引用
@article{arxiv.2509.13974,
title = {Personalization on a Budget: Minimally-Labeled Continual Learning for Resource-Efficient Seizure Detection},
author = {Amirhossein Shahbazinia and Jonathan Dan and Jose A. Miranda and Giovanni Ansaloni and David Atienza},
journal= {arXiv preprint arXiv:2509.13974},
year = {2025}
}