基于生成对抗网络的半监督癫痫发作预测
计算机视觉与模式识别
2018-06-22 v1 机器学习
机器学习
摘要
本文中，我们提出一种可利用不仅标记 EEG 信号而且更易获取的未标记信号的方法。我们还建议采用数据融合以进一步提高癫痫发作预测精度。我们视角下的数据融合包括 EEG 信号、心电卡信号、体温和时间。我们对 28 秒 EEG 窗口使用短时傅里叶变换作为预处理步骤。生成对抗网络（GAN）以无监督方式训练，其中忽略癫痫发作起始信息。训练好的 GAN 判别器随后用作特征提取器。由该特征提取器生成的特征由两层全连接层（可被任何分类器替换）对标记 EEG 信号进行分类。该半监督癫痫发作预测方法在 CHBMIT 头皮 EEG 数据集和弗莱堡医院颅内 EEG 数据集上分别取得受试者工作特征曲线下面积（AUC）77.68% 和 75.47%。无需标注的无监督训练十分重要，因为其不仅可在 EEG 信号记录期间实时进行，而且不需要针对每位患者做特征工程。
引用
@article{arxiv.1806.08235,
title = {Semi-supervised Seizure Prediction with Generative Adversarial Networks},
author = {Nhan Duy Truong and Levin Kuhlmann and Mohammad Reza Bonyadi and Omid Kavehei},
journal= {arXiv preprint arXiv:1806.08235},
year = {2018}
}
备注
6 pages, 5 figures, 3 tables. arXiv admin note: text overlap with arXiv:1707.01976