多尺度编码器结合卷积Transformer对癫痫的分类

摘要

针对多数结合Transformer的模型不能充分学习脑电信号中丰富的时空信息这一局限性，设计多尺度时空卷积编码器模块和密集卷积Transformer模块，并将这两种模块相结合提出MTSDCformer模型以实现对癫痫患者脑电图（EEG）信号的预测与分类。首先，该模型使用多尺度时空特征编码器对分段的EEG信号提取时间维度以及通道维度的特征信息；其次，将学习局部信息的卷积分支集成到Transformer编码器上形成密集卷积Transformer(DCT)模块，通过多层的DCT模块来学习EEG信号的全局依赖关系以及更细粒度的时间特征；然后，进一步通过信息纯化单元对EEG信号中的频率信息进行编码以提取中间层的详细特征；最后，根据提取的特征对输入的EEG信号进行分类，判断患者是否患有癫痫。实验部分在UPenn&Mayo诊所挑战数据集和麻省理工学院的波士顿儿童医院（CHB-MIT）公共数据集上讨论模型的有效性，实验结果表明MTSDCformer模型相较于LSTM、Vision Transformer、Compact Convolution Transformer、EEGConformer、EEGNet、R-Transformer和ARNN等基线方法表现出更好的性能。

关键词

脑电图信号 / 癫痫 / 深度学习 / MTSDCformer / IP单元