资源高效的持续学习,实现个性化的在线发作检测

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 的诊断依赖于耗时的EEG信号的专家分析.
• 由于患者特定的EEG模式不断变化,自动抓捕检测具有挑战性.
• 静态深度学习模型与动态数据作斗争,导致信息丢失.

研究的目的:

• 开发一个个性化的深度学习模型,用于自动检测发作.
• 为了应对将新数据集成到模型中的挑战,而不会造成灾难性的遗忘.
• 创建一个资源高效的算法,适合嵌入式系统.

主要方法:

• 提出了一种新的持续学习算法,用于发作检测的重播缓冲机制.
• 集成了一个重播缓冲器,以保留过去的数据信息,同时结合新的数据.
• 使用CHB-MIT EEG数据集对该方法进行了评估.

主要成果:

• 与标准微调相比,F1得分得到了35.34%的改善.
• 证明了与资源无限的场景和1小时重播缓冲器相比较的F1分数.
• 与资源不受限制的方法相比,将24小时错误报警率降低了33%.

结论:

• 提出的持续学习算法有效地增强了个性化的发作检测.
• 重播缓冲机制对于减轻动态EEG数据中的灾难性遗忘至关重要.
• 这种资源高效的方法在嵌入式系统中可用于现实世界的实施.