用于sEEG SOZ识别的共享注意力自编码器与基于分层融合的图卷积网络
机器学习
2024-12-18 v1 人工智能
信号处理
神经元与认知
摘要
诊断发作起始区（SOZ）是神经外科中的一项挑战，其中立体定向脑电图（sEEG）是一项关键技术。在 sEEG SOZ 识别中，现有研究仅关注癫痫信息的患者内表示，忽略了跨患者的癫痫一般特征以及每个接触点特征元素之间的特征相互依赖性。为了解决上述挑战，我们提出了共享注意力自编码器（sATAE）。sATAE 由所有患者的 sEEG 数据训练，并引入注意力块以增强特征元素之间相互依赖性的表示。考虑到患者间 sEEG 的空间多样性，我们引入基于图的方法来识别每个患者的 SOZ。然而，当前用于 sEEG SOZ 识别的基于图的方法完全依赖静态图来建模癫痫网络。受神经科学发现的启发，即癫痫网络具有波动状态和稳定状态之间复杂平衡的相互作用这一错综复杂的特征，我们设计了基于分层融合的图卷积网络（HFGCN）来识别 SOZ。HFGCN 通过不同层次间的分层加权整合了癫痫网络的动态和静态特征，促进了对癫痫特征更全面的学习，并丰富了用于 sEEG SOZ 识别的节点信息。结合 sATAE 和 HFGCN，我们在自建的 sEEG 数据集上使用 sATAE-HFGCN 进行了综合实验，该数据集包含17名颞叶癫痫患者的 sEEG 数据。结果表明，我们的方法 sATAE-HFGCN 在识别每个患者的 SOZ 方面取得了卓越的性能，有效解决了上述挑战，为基于 sEEG 的 SOZ 识别提供了高效的解决方案。
引用
@article{arxiv.2412.12651,
title = {Shared Attention-based Autoencoder with Hierarchical Fusion-based Graph Convolution Network for sEEG SOZ Identification},
author = {Huachao Yan and Kailing Guo and Shiwei Song and Yihai Dai and Xiaoqiang Wei and Xiaofen Xing and Xiangmin Xu},
journal= {arXiv preprint arXiv:2412.12651},
year = {2024}
}