癫痫发作检测中自动通道选择的监督学习
计算机视觉与模式识别
2017-02-01 v1
摘要
利用颅内脑电图（iEEG）记录的大脑神经活动检测癫痫发作，已广泛用于癫痫患者的监测、诊断和闭环治疗，然而，若要将最先进的方法植入设备中实现，则需提高计算效率。我们提出了一种基于 iEEG 数据的自动癫痫发作检测新方法，在保持准确性的同时，计算效率优于当前最先进的癫痫发作检测方法。所提算法将自动通道选择（ACS）引擎作为癫痫发作检测流程的预处理阶段。ACS 引擎由监督分类器组成，旨在找到对癫痫发作贡献最大的 iEEG 通道。癫痫发作检测阶段包括特征提取与分类。特征提取在频域和时域进行，计算谱功率和通道对之间的相关性。随机森林（Random Forest）用于分类 iEEG 信号的发作间期、发作期和早期发作期。本文中的癫痫发作检测是回顾性的且针对特定患者。iEEG 数据通过 Kaggle 获取，由 International Epilepsy Electro-physiology Portal 提供。该数据集包含 6.5 小时发作间期数据和 41 分钟发作期数据的训练集，以及 9.14 小时的测试集。与同一数据集上的最先进方法相比，我们实现了计算效率提升 49.4%，平均检测延迟改善 400 分钟。所提模型能够以 91.95% 的灵敏度和 94.05% 的特异度检测癫痫发作起始，平均检测延迟为 2.77 s。曲线下面积（AUC）为 96.44%，可与当前最先进方法（AUC 为 96.29%）相媲美。
引用
@article{arxiv.1701.08968,
title = {Supervised Learning in Automatic Channel Selection for Epileptic Seizure Detection},
author = {Nhan Truong and Levin Kuhlmann and Mohammad Reza Bonyadi and Jiawei Yang and Andrew Faulks and Omid Kavehei},
journal= {arXiv preprint arXiv:1701.08968},
year = {2017}
}