到达了天花板吗? 深度EEG病理学分类的经验缩放行为.
Ann-Kathrin Kiessner1, Robin T Schirrmeister2, Joschka Boedecker3
1Neuromedical AI Lab, Department of Neurosurgery, Medical Center - University of Freiburg, Faculty of Medicine, University of Freiburg, Engelbergerstr. 21, 79106, Freiburg, Germany; Neurorobotics Lab, Computer Science Department - University of Freiburg, Faculty of Engineering, University of Freiburg, Georges-Koehler-Allee 80, 79110, Freiburg, Germany; BrainLinks-BrainTools, Institute for Machine-Brain Interfacing Technology, University of Freiburg, Georges-Koehler-Allee 201, 79110, Freiburg, Germany.
Computers in biology and medicine
|June 15, 2024
概括
深度卷积神经网络 (ConvNets) 显示了电脑电图 (EEG) 分析的可预测性能扩展. 了解这种缩放行为对于推进自动化EEG诊断至关重要.
科学领域:
- 计算神经科学是一种计算神经科学.
- 医学成像分析分析 医学成像分析
- 机器学习在医疗保健中的应用
背景情况:
- 临床脑电图 (EEG) 分析是耗时的.
- 深层卷积神经网络 (ConvNets) 在自动化EEG分析方面表现有前途.
- 对于训练数据和模型大小如何影响EEG分析中的ConvNet性能,人们的了解有限.
研究的目的:
- 为了研究用于EEG病理分类的ConvNets的经验缩放行为.
- 分析培训样本大小和模型参数对测试错误的影响.
- 为优化EEG诊断中的深度学习模型提供建议.
主要方法:
- 对四个ConvNet架构的扩展行为进行了全面的研究.
- 分析了测试错误,增加了训练样本和模型大小 (高达180万个参数).
- 在两个大型,公开可用的EEG数据集 (TUH异常EEG体和TUH异常扩张平衡EEG体) 上评估模型.
主要成果:
- 测试错误遵循一个和的功率定律,既有模型和数据集大小.
- 这种扩展模式在不同的ConvNet架构和数据集中是一致的.
- 经验观察到的准确性平原在85%-87%左右,可能受到临床标签上的评审者间协议的限制.
结论:
- 这项研究揭示了EEG病理分类中深层ConvNets的可预测的缩放关系.
- 研究结果为自动EEG诊断的研究人员和从业人员提供了宝贵的见解.
- 基于已识别的缩放规律优化模型和数据集大小可以提高诊断性能.
