基于深度卷积神经网络使用最少脑电图通道的癫痫发作检测
信号处理
2019-06-25 v1 计算机视觉与模式识别
机器学习
摘要
本工作旨在开发一种用于癫痫发作检测的端到端解决方案。我们设计了 SeizNet，一种用于癫痫发作检测的卷积神经网络。为了将 SeizNet 与传统机器学习方法进行比较，使用基于谱带功率特征与支持向量机（BPsvm）的基线分类器作为对照。我们通过分别使用全部通道和双通道设置评估 SeizNet 与 BPsvm 方法，探索使用最少通道数实现准确癫痫发作检测的可能性。EEG 数据来自 29 名入住 KK 妇女与儿童医院并被诊断为典型失神发作的儿科患者。我们对所有受试者进行留一交叉验证。使用全通道数据时，BPsvm 的灵敏度为 86.6% 且误报率为 0.84（每小时），而 SeizNet 的总体灵敏度为 95.8% 且误报率为 0.17。更有趣的是，双通道 SeizNet 以 93.3% 的灵敏度和 0.58 的误报率优于全通道 BPsvm。我们进一步通过解码卷积层学习到的滤波器来研究 SeizNet 的可解释性。在第三和第四卷积层的滤波器中可以清晰地观察到癫痫样特征。
引用
@article{arxiv.1901.05305,
title = {Seizure Detection using Least EEG Channels by Deep Convolutional Neural Network},
author = {Mustafa Talha Avcu and Zhuo Zhang and Derrick Wei Shih Chan},
journal= {arXiv preprint arXiv:1901.05305},
year = {2019}
}