用于改进脑电图癫痫分析的自监督图神经网络
信号处理
2022-03-15 v2 人工智能
机器学习
摘要
基于脑电图（EEG）的自动癫痫检测与分类可大幅改善癫痫诊断与治疗。然而，既往自动癫痫检测与分类研究仍存在若干未解决的建模挑战：（1）表示 EEG 中的非欧几里得数据结构，（2）准确分类罕见癫痫类型，（3）缺乏量化可解释性方法来衡量模型定位癫痫的能力。本研究中，我们通过以下方式应对这些挑战：（1）使用图神经网络（GNN）表示 EEG 中的时空依赖关系，并提出两种捕捉电极几何或动态脑连接的 EEG 图结构；（2）提出一种自监督预训练方法，通过预测下一时段的预处理信号来进一步提升模型性能，尤其是对罕见癫痫类型；（3）提出一种量化模型可解释性方法，以评估模型在 EEG 中定位癫痫的能力。在一个大型公开数据集上评估我们的癫痫检测与分类方法时，我们发现带自监督预训练的 GNN 在癫痫检测上达到 0.875 的受试者工作特征曲线下面积（AUROC），在癫痫分类上达到 0.749 的加权 F1 分数，在检测和分类上均优于既往方法。此外，我们的自监督预训练策略显著改善了罕见癫痫类型的分类。进一步，量化可解释性分析显示，带自监督预训练的 GNN 精确局部化了 25.4% 的局灶性癫痫，较现有 CNN 提升 21.9 个百分点。最后，通过将识别出的癫痫位置叠加于原始 EEG 信号和 EEG 图上，我们的方法可为临床医生提供局部化癫痫区域的直观可视化。
引用
@article{arxiv.2104.08336,
title = {Self-Supervised Graph Neural Networks for Improved Electroencephalographic Seizure Analysis},
author = {Siyi Tang and Jared A. Dunnmon and Khaled Saab and Xuan Zhang and Qianying Huang and Florian Dubost and Daniel L. Rubin and Christopher Lee-Messer},
journal= {arXiv preprint arXiv:2104.08336},
year = {2022}
}
备注
Published as a conference paper at ICLR 2022