基于EEG的患者间发作检测,将域对抗训练与CNN-BiLSTM网络相结合

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 通过电脑电图 (EEG) 自动检测发作至关重要,但由于患者间的高度变化,具有挑战性.
• 现有的患者特异型模型难以将其推广到新个体.
• 开发强大的,可通用的发作检测方法是一个重大未满足的需求.

研究的目的:

• 开发和评估一种新的深度学习框架,用于自动检测发作.
• 改善不同患者的发作检测模型的通用性.
• 将领域对抗训练与CNN和BiLSTM相结合,用于强大的跨患者发作检测.

主要方法:

• 使用卷积神经网络 (CNN) 通过域对抗训练提取局部患者不变特征.
• 域对抗训练尽量减少了患者特定的特征,同时优化了发作检测.
• 一个双向长期短期记忆 (BiLSTM) 网络捕获了时间依赖性,用于建模发作演变.

主要成果:

• 与非对抗方法相比,拟议的框架在跨患者发作检测方面表现优越.
• 在焦点患者的不同患者队列中实现了高检测准确度.
• 对抗训练和时间建模的整合导致了强大的性能.

结论:

• 开发的框架有效地解决了针对发作检测EEG模式的个体差异的挑战.
• 领域对抗性培训与BiLSTM相结合,为可泛化自动诊断提供了一个有希望的方法.
• 这种方法有可能改善管理中的临床决策.