基于EEG的扣押子类型分类专家混合

科学领域:

• 神经学 神经学
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 影响全球5000万,需要精确的发作分类治疗.
• 基于自动脑电图 (EEG) 的子类型分类面临诸如阶级不平衡和需要广泛的标记数据等挑战.
• 当前的深度学习模型通常需要大量的数据集,因为缺乏先验的知识集成.

研究的目的:

• 提出新的专家组合 (MoE) 模型,以改进基于EEG的发作亚型分类.
• 在EEG分析中应对阶级不平衡和有限的标记数据的挑战.
• 通过结合对EEG特征的先前知识来提高深度学习模型的性能.

主要方法:

• 开发了两个新的MoE模型:扣押MoE和混合MoE.
• 在Mix-MoE内部实施一种新的不平衡采样器,以处理类不平衡.
• 将手动EEG特征的先验知识集成到深层神经网络中.

主要成果:

• 拟议的发作-MoE和混合-MoE模型在基于EEG的发作亚型的跨主体分类中表现出卓越的性能.
• Mix-MoE有效地利用其新的抽样技术解决了显著的阶级失衡问题.
• 这两种模型在两个公开的EEG数据集上都超过了现有的方法.

结论:

• 开发的MoE模型为基于EEG的精确发作亚型分类提供了一个有希望的解决方案.
• 这些模型有效地解决了阶级不平衡,并利用先前的知识提高了绩效.
• 拟议的EM框架可适应其他具有严重类不平衡的EEG分类任务,例如睡眠阶段分类.