通过随机输入选择在图形波网络中增强发作检测

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 图形神经网络 (GNN) 擅长在多通道脑电图 (EEG) 数据中分析空间关系,以检测发作.
• 现有的GNN模型用于自动发作检测,由于EEG信号中的噪声而导致性能下降.

研究的目的:

• 调查不同输入预处理策略对Graph WaveNet用于发作检测的稳定性的影响.
• 在杂的EEG环境中提高GNN的性能.

主要方法:

• 使用Graph WaveNet来建模EEG数据中的空间和时间依赖性.
• 对快速里叶变换 (FFT) 特性进行了四种预处理策略的比较:完整的,硬选择,可学习的选择和随机选择 (30%的脱落).

主要成果:

• 采用输入FFT特征的随机选择的Graph WaveNet模型实现了最高的性能.
• 这种方法使得接收器操作特征曲线 (AUROC) 下的区域为 88.57%,用于扣押检测.
• 随机选择有效地减少了过度适应噪声,并确定了与任务相关的频率.

结论:

• 随机输入特征选择是一种简单,有效和计算成本低廉的方法,可以提高GNN的稳定性,用于噪音较大的EEG发作检测.
• 这种策略可以提高模型的概括性,而不需要先前的领域知识.
• 这些发现为改进自动发作检测系统提供了实用方法.