SCFNet: 面向跨通道迁移的单通道特征提取EEG分类网络
信号处理
2024-12-25 v1 机器学习
摘要
癫痫和癫痫样放电是常见的有害脑活动，脑电图（EEG）信号广泛用于监测患者的发作状态。然而，由于缺乏统一的EEG信号获取标准，实际应用中存在诸多障碍，尤其是不同通道数数据的模型迁移和使用存在困难。为此，本文提出一种具有单通道特征提取（Single Channel Feature）模型后端融合的神经网络架构（SCFNet）。该模型的特征提取器是一种单通道输入的RCNN网络，独立于其他通道，从而使其能够轻松迁移到不同通道数的数据上。实验结果表明，在IIIC-Seizure数据集上，EEG-SCFNet的准确率相较于基线模型提高了4%，相较于原始RCNN神经网络模型提高了1.3%。即使仅对分类头进行微调，其性能仍可保持与基线相当的水平。此外，在跨数据集迁移方面，EEG-SCFNet即使在电极导联不同的情况下仍能维持一定的性能。
引用
@article{arxiv.2412.17835,
title = {SCFNet:A Transferable IIIC EEG Classification Network},
author = {Weijin Xu},
journal= {arXiv preprint arXiv:2412.17835},
year = {2024}
}