エピレプシー発作の検出のための拡張されたコンヴォルションを持つダイナミックグラフコンヴォルションネットワーク

科学分野:

• 神経科学と生物医学工学
• 信号処理と機械学習

背景:

• 電気脳波 (EEG) は脳活動の測定に不可欠であり,自動的な発作検出に広く使用されています.
• コンヴォルションニューラルネットワーク (CNN),長期短期記憶 (LSTM),グラフコンヴォルションネットワーク (GCN) を使用する既存の方法は,ユークリッド構造または固定グラフ接続性の仮定により制限に直面しています.

研究 の 目的:

• 現在の自動発作検出アルゴリズムの 限界を解決するためです
• EEGベースの発作検出の強化のための新しいダイナミック・グラフ・コンボリューション・ネットワーク (DGDCN) を提案する.

主な方法:

• ディラテッドコンボリューション (DGDCN) アルゴリズムのダイナミックグラフコンボリューションネットワークを開発した.
• GCNのタスク固有の隣接マトリックスを動的に構築するために,時空注意メカニズムを使用しました.
• 拡張型コンボリューションモジュールを組み込み 感受領域を拡大し 長期間の依存性を捉える

主要な成果:

• DGDCNモデルは,12秒のEEGセグメントでは88.7%,60秒のセグメントでは90.4%のAUC値を達成しました.
• TUSZのデータセットにおける現在の最先端の押収検出方法と比較して,競争力のあるパフォーマンスを示した.

結論:

• 提案されたDGDCNモデルは,局所的な空間的および時間的な依存関係と,遠距離の時間的な情報をEEG信号で効果的に捕捉します.
• ダイナミックグラフの構造と膨張したコンボリュションは,自動化された発作検出の精度を大幅に向上させます.