EEGベースの性発作分類のための適応グラフモデリングによる自己監督学習

科学分野:

• 神経科学
• 機械学習
• 生物医学信号処理

背景:

• 脳波信号による性発作の分類は,複雑な空間時間的依存性のために困難です.
• レーベルのデータも限られており,クラス不均衡が深刻で,正確なEEG分析モデルの開発を妨げています.
• 既存の方法は,EEGデータ内の複雑な動態を効果的に捉えるのに苦労しています.

研究 の 目的:

• 自己監督学習フレームワーク (ASGPF) を開発し,EEGベースの強固な発作分類を行う.
• EEG発作の検出における,限定されたデータとクラス不均衡の課題に対処するためです.
• 臨床応用の可能性のあるデータ効率の良い枠組みを構築する.

主な方法:

• 新しい空間グラフ学習セル (SGLC) を組み込むアダプティブ・スペースグラフ・プレトレーニング・フレームワーク (ASGPF) を提案した.
• SGLCはダイナミックにEEGトポロジーを構築し,ゲーテッドグラフニューラルネットワークを使用して空間特性を抽出し,ゲーテッドリキュアントユニットでタイム依存性をキャプチャします.
• 従業員は自己監督のシーケンスツーシーケンスで,レッテルを貼っていないEEGデータで学習をします.

主要な成果:

• ASGPFは,TUSZデータセットで最先端の方法を大幅に上回り,83.8% (4クラス) と73.5% (8クラス) の加重F1スコアを達成しました.
• このモデルは,標識されたデータの25%しか使わずに75%少ないデータで訓練されたベースラインと比べられる性能を達成しました.
• データ不足とクラス不均衡のシナリオで有効性を証明した.

結論:

• ASGPFは,アダプティブ・スペース・タイム・モデリングと自己監督の予備訓練を通じて,差別的なEEG表現を効果的に学習します.
• このフレームワークは,最小限のラベルデータで正確な押収分類を可能にし,データの効率性を強調します.
• ASGPFは,リソースが限られた環境で臨床適用の大きな可能性を示しています.