てんかん焦点定位および深睡眠検出のためのデータ拡張を伴うEEG信号分類

科学分野:

• 神経科学
• 機械学習
• 生体医工学

背景:

• 脳波（EEG）は、てんかん焦点定位および睡眠段階検出などの神経診断に不可欠です。
• 注釈付きEEGデータの不足は、深層学習モデルの性能と一般化能力を制限します。
• 深層学習モデルは、臨床応用において多様で堅牢なトレーニングデータセットを必要とします。

研究 の 目的:

• 軽量データ拡張を利用した統一的なEEG分類フレームワークを提案すること。
• EEG解析のための深層学習モデルの堅牢性と一般化能力を強化すること。
• 分類性能に対する単純な拡張技術の影響を調査すること。

主な方法:

• 時間シフト、振幅スケーリング、ノイズ追加の3つの軽量データ拡張技術を実装しました。
• DeepConvNet、ShallowConvNet、EEGNetを使用してフレームワークを評価しました。
• 生理学的および病理学的タスクのために、2つの公開EEGデータセットでモデルをテストしました。

主要な成果:

• データ拡張は、テストされたすべてのモデルとタスクにおいて、一貫して分類性能を向上させました。深睡眠検出で最大2.06%、てんかん焦点定位で4.07%の顕著な性能向上が観察されました。ベースラインモデルの精度がすでに高い場合でも、拡張は追加的な利点をもたらしました。

結論:

• 軽量データ拡張は、EEGベースの深層学習モデルの堅牢性と分類性能を効果的に強化します。
• 単純な拡張戦略は、特にデータが限られている状況で有益です。
• 提案されたフレームワークは、臨床神経診断におけるEEG解析の精度を向上させるための実用的なアプローチを提供します。