SlimSeiz: 使用 Mamba 增强网络的高效通道自适应癫痫发作预测
计算机视觉与模式识别
2025-07-03 v1 人工智能
摘要
癫痫发作会导致大脑异常活动，其不可预测性可能引发事故，凸显了长期癫痫发作预测的必要性。尽管可以通过分析脑电图（EEG）信号来预测癫痫发作，但现有方法通常需要过多的电极通道或更大的模型，限制了移动设备的可用性。本文介绍了一种 SlimSeiz 框架，该框架利用自适应通道选择与轻量级神经网络模型。SlimSeiz 分两个阶段运行：第一阶段使用机器学习算法选择用于癫痫发作预测的最佳通道集，第二阶段采用基于卷积和 Mamba 的轻量级神经网络进行预测。在波士顿儿童医院-麻省理工学院（CHB-MIT）EEG 数据集上，SlimSeiz 可将通道数从 22 个减少到 8 个，同时以仅 21.2K 的模型参数达到令人满意的结果：准确率 94.8%、灵敏度 95.5%、特异度 94.0%，与更大模型的性能相当或更优。我们还在从上海仁济医院收集的新 EEG 数据集 SRH-LEI 上验证了 SlimSeiz，证明了其在不同患者中的有效性。代码和 SRH-LEI 数据集可在 https://github.com/guoruilu/SlimSeiz 获取。
引用
@article{arxiv.2410.09998,
title = {SlimSeiz: Efficient Channel-Adaptive Seizure Prediction Using a Mamba-Enhanced Network},
author = {Guorui Lu and Jing Peng and Bingyuan Huang and Chang Gao and Todor Stefanov and Yong Hao and Qinyu Chen},
journal= {arXiv preprint arXiv:2410.09998},
year = {2025}
}
备注
5 pages, 3 figures