用于脑电图表中异常通道检测的自监督学习：在癫痫分析中的应用
机器学习
2023-01-18 v4 信号处理
摘要
脑电图（EEG）信号是癫痫分析的有效工具，其中最重要的挑战之一是准确检测癫痫发作事件以及发生或起始的大脑区域。然而，所有现有的基于机器学习的癫痫分析算法都需要访问有标签的癫痫数据，而由于EEG信号视觉定性解释的主观性，获取标签数据非常耗费人力、昂贵且依赖临床医生。在本文中，我们提出以自监督方式检测癫痫通道与片段，无需访问癫痫数据。所提方法通过采用正子图和负子图来考虑嵌入在EEG图中的局部结构与上下文信息。我们通过最小化对比损失和生成损失来训练方法。当由于颅骨骨折等并发症无法访问所有EEG通道时，局部EEG子图的使用使该算法成为合适的选择。我们在最大的癫痫数据集上进行了大量实验，并证明我们提出的框架在基于EEG的癫痫研究中优于最先进的方法。所提方法是该领域唯一在训练阶段无需访问癫痫数据的研究，却建立了新的最先进水平，并优于所有相关的监督方法。
引用
@article{arxiv.2208.07448,
title = {Self-Supervised Learning for Anomalous Channel Detection in EEG Graphs: Application to Seizure Analysis},
author = {Thi Kieu Khanh Ho and Narges Armanfard},
journal= {arXiv preprint arXiv:2208.07448},
year = {2023}
}
备注
Accepted at AAAI-23 (Oral)