EEG-TGC:一种基于时间图对比的新型自我监督方法,用于检测发作.

科学领域:

• 神经学 神经学
• 机器学习 机器学习
• 生物医学信号处理

背景情况:

• 的诊断依赖于脑电图 (EEG),但手动注释是耗时的.
• 现有的发作检测方法往往不充分利用未标记的EEG数据和空间电极信息.
• 挑战包括由于忽视空间分布而造成的数据注释和次优分类的重大负担.

研究的目的:

• 开发一种新的自我监督学习方法来检测发作,有效地利用未标记的EEG数据.
• 将来自多电极EEG记录的空间拓信息纳入.
• 为了减少临床医生的注释负担,同时保持高发作检测性能.

主要方法:

• 拟议的EEG-TGC是一种基于时间图对比的自我监督学习方法.
• 引入节点和图形对比,以捕获来自EEG图的空间拓信息.
• 在大型公开的TUSZ EEG数据集上评估了该方法.

主要成果:

• 使用100%标记数据,EEG-TGC实现了与监督学习可比的性能.
• 该方法表现出高效率,即使仅有10%的标记数据.
• 成功利用未标记的EEG数据和捕获的空间电极分布信息.

结论:

• 开发的算法为自动发作检测提供了有效的解决方案.
• EEG-TGC显著减少了对EEG记录进行大量手动注释的需求.
• 该方法提供了一种有前途的方法,用于诊断,使用有限的标记数据.