基于概率预测的实时癫痫发作检测更短时延
信号处理
2023-06-29 v2 机器学习
摘要
尽管近期研究提出了具有良好灵敏度性能的发作检测算法，但仍存在一项挑战：它们难以在实时场景中实现显著短的检测时延。本手稿中，我们提出一种新颖深度学习框架，旨在通过概率预测缩短癫痫发作检测时延。我们首次将发作检测任务由传统二分类转换为概率预测，引入面向发作的 EEG 记录中的交叉期并提出对交叉期样本使用软标签的标注规则。并且，提出一种基于多尺度 STFT 的特征提取方法结合 3D-CNN 架构，以准确捕获样本的预测概率。此外，我们还提出校正加权策略以增强预测概率，以及累积决策规则以实现显著更短的检测时延。我们在两个常用数据集——CHB-MIT 头皮 EEG 数据集与 SWEC-ETHZ 颅内 EEG 数据集上，以患者特定留一发作交叉验证方案实现所提框架。最终，所提算法在交叉期检测到 99 次发作中的 94 次，EEG 发作后检测率达 100%，交叉样本平均 14.84% 校正预测发作概率（RPIP）误差、2.3 s 检测时延、0.08/h 误检率（FDR）（CHB-MIT 数据集）。同时，SWEC-ETHZ 数据集上交叉期检测到 89 次中的 84 次，EEG 发作后 100% 检测，16.17% RPIP 误差、4.7 s 检测时延与 0.08/h FDR。所得检测时延比既往研究报道的 SOTA 结果至少短 50%。
引用
@article{arxiv.2301.03465,
title = {Shorter Latency of Real-time Epileptic Seizure Detection via Probabilistic Prediction},
author = {Yankun Xu and Jie Yang and Wenjie Ming and Shuang Wang and Mohamad Sawan},
journal= {arXiv preprint arXiv:2301.03465},
year = {2023}
}
备注
9 figures, 4 tables. Submitted to Elsevier ESWA