通过连续的域调整和类似的样本重复播放来跨患者的发作预测

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 是一种普遍的神经系统疾病,影响全球数百万人.
• 基于脑电图 (EEG) 的预测为改善患者生活质量提供了显著的潜力.
• 现有的领域适应方法与患者间异质性作斗争,阻碍了模型的概括.

研究的目的:

• 开发一种有效的预测模型,以解决EEG数据中患者间异质性的问题.
• 引入一种新的连续域适应方法,用于增强预测.
• 提高各种患者群体中预测模型的概括能力.

主要方法:

• 提出了使用卷积神经网络 (CNN) 的连续域适应策略.
• 在多源域适应 (MSDA) 框架内,将每个患者视为单独的域.
• 实施样本重复和子域对齐,以减轻灾难性遗忘,并在连续训练中学习共同特征.

主要成果:

• 在公共数据集上,获得了85.0%的灵敏度和0.224/h的错误报警率 (FPR).
• 与当前的域名适应方法相比,证明了卓越的性能.
• 成功捕获了不同患者的知识,并提取了强大的常见代表.

结论:

• 提出的连续域适应方法有效地处理EEG数据中的患者间差异,以预测发作.
• 该方法增强了模型的概括性,并在发作检测方面实现了最先进的性能.
• 这种方法有望提高自动预测系统的临床实用性.