面向从 EEG 数据早期诊断癫痫
机器学习
2020-06-18 v2 信号处理
机器学习
摘要
癫痫是最常见的神经系统疾病之一，影响各年龄段约 1% 的人口。在任何癫痫发作发生之前检测出癫痫的发展，即癫痫发生（EPG），可促成早期干预及潜在更有效的治疗。在此，我们研究现代机器学习（ML）技术是否能在任何癫痫发作前从颅内脑电图（EEG）记录中检测出 EPG。为此，我们使用一种由脑电刺激触发 EPG 的啮齿动物癫痫模型。我们提出一种用于 EPG 识别的 ML 框架，其将深度卷积神经网络（CNN）与预测聚合方法相结合以获得最终分类决策。具体而言，该神经网络被训练来区分取自刺激前或刺激后时段的五秒 EEG 记录片段。由于癫痫的渐进性发展，刺激前后 EEG 模式存在巨大重叠。因此，引入了一种预测聚合过程，其在更长时间上汇集预测。通过对一小时内的预测进行聚合，我们的方法在 EPG 检测任务上取得了 0.99 的曲线下面积（AUC）。这证明了从 EEG 记录进行 EPG 预测的可行性。
引用
@article{arxiv.2006.06675,
title = {Towards Early Diagnosis of Epilepsy from EEG Data},
author = {Diyuan Lu and Sebastian Bauer and Valentin Neubert and Lara Sophie Costard and Felix Rosenow and Jochen Triesch},
journal= {arXiv preprint arXiv:2006.06675},
year = {2020}
}
备注
Machine Learning for Healthcare conference 2020