脑电信号自适应加权模型在癫痫发作检测中的应用

摘要

癫痫发作的自动检测在癫痫的预防和治疗策略中扮演着至关重要的角色，基于深度学习的脑电图（EEG）分析技术在该领域取得了显著进展．然而，现有方法在处理多通道EEG数据时，未能充分考虑不同脑电通道在癫痫发作检测中的独特影响，导致模型缺乏可解释性．为此，提出两种深度学习模型，识别在检测过程中发挥关键作用的脑电通道，旨在提高癫痫发作检测的可解释性．第1种模型是结合压缩激励模块的全卷积网络检测模型（FCNse），首先，利用其特有的卷积结构，模型能够在时间轴上进行有效的特征提取和空间信息的增强；其次，引入上采样机制和跳级结构处理EEG信号中的局部时空特征；最后，结合压缩激励模块以关注更重要的特征信息进行癫痫检测．第2种模型是基于Transformer的网络检测模型（Transet），首先，将不同的脑电通道视为一句话当中的不同单词输入到Transformer网络；其次，利用其特有的自注意力机制，模型能够更有效地学习EEG特征，并专注于与癫痫发作密切相关的信息；最后，探索自注意力机制在模型自适应分配通道权重过程中的作用．在CHBMIT数据集上的实验结果表明，FCNse模型实现了0.88的A_UC值和89.2%的准确率，Transet模型达到了0.90的A_UC值和87.4%的准确率．这两种不同类型的深度学习模型在通道权重图结果上表现出高度的一致性，进一步验证了其准确性和可靠性，为癫痫发作的自动检测提供了新的解决方案，有助于推动癫痫诊断和治疗策略的发展．

关键词

癫痫发作检测 / 脑电图 / 深度学习