マルチ戦略データ増強と階層対照学習を用いた性発作の予測

科学分野:

• 神経学
• 機械学習
• 生物医学信号処理

背景:

• 発作を早期に正確に予測することは 患者の健康にとって不可欠です
• 現在の方法は,大量のデータが必要なため,一般化とリアルタイムのパフォーマンスで苦労しています.

研究 の 目的:

• 発作を予測する効率的なフレームワークを開発し,ラベル付きのデータも少なくする.
• 発作前の状態と発作後の状態の区別を高め,発作の検出を向上させる.

主な方法:

• ウェーブレットベースの周波数混合とマスキングを含むデータ増強戦略を実装した.
• 先進的なパターンキャプチャの改善のための階層的なコントラスティブ損失関数.
• 効率的な特徴抽出とリアルタイム予測のために,軽量なSE-EEGNetを使用しました.

主要な成果:

• CHB-MITデータセットで94. 51%の精度と95. 05%の感度を達成し,30%のラベルデータを取得しました.
• 低誤陽性率 (0.024/h) と20.12分間の予測時間を報告した.
• CHB-MITとSienaのデータセットの両方でラベルデータの増加により,パフォーマンスの改善が実証されました.

結論:

• 提案されたフレームワークは,ラベル付きのデータが限られているのに 発作を効果的に予測します.
• 対照的な学習とデータ増強は予測の正確性と強さを大幅に高めます.
• この方法は,エピレプシー発作をリアルタイムで予測するための実用的な適用性を示しています.