SeizureFormer：基于IEA的癫痫风险预测变压器模型
信号处理
2025-05-12 v3 机器学习
摘要
本文提出SeizureFormer，一种基于变压器的模型，用于基于间歇性癫痫放电（IEA）替代生物标志物和反应性神经刺激（RNS）系统中的长期（LE）生物标志物进行长期癫痫风险预测。与基于原始头皮EEG的模型不同，SeizureFormer利用结构化、临床相关的特征，集成CNN-based patch embedding、多头自注意力和squeeze-and-excitation模块，以建模短期动力学和长期癫痫周期。该模型在5名患者及多个预测窗口（1至14天）上进行测试，实现了最先进的性能，平均ROC AUC为79.44%，平均PR AUC为76.29%。与统计方法、机器学习和深度学习基线相比，SeizureFormer在类别不平衡情况下表现出更好的普遍性和癫痫风险预测能力。这一工作支持未来将可解释且稳健的癫痫预测工具集成到个性化癫痫管理中。
引用
@article{arxiv.2504.16098,
title = {SeizureFormer: A Transformer Model for IEA-Based Seizure Risk Forecasting},
author = {Tianning Feng and Juntong Ni and Ezequiel Gleichgerrcht and Wei Jin},
journal= {arXiv preprint arXiv:2504.16098},
year = {2025}
}
备注
9 pages, 2 figures. Submitted as an undergraduate honors thesis at Emory University