换一批一维卷积神经网络的自编码癫痫发作异常检测模型
An autoencoder model based on one-dimensional neural network for epileptic EEG anomaly detection
摘要目的 将一维卷积神经网络(1DCNN)作为自编码模型的特征提取网络,利用1DCNN对头皮脑电信号(EEG)局部特征的感知能力来提高自编码模型(AE)在低维特征空间的表达能力,提出一种简单高效的癫痫异常检测模型.方法 癫痫发作后会出现标志性的EEG波形变化,通过1DCNN的局部特征提取能力,捕捉正常信号的局部信息;利用正常数据训练自编码器,学习正常EEG数据在低维特征空间的表达,作为异常数据的癫痫EEG数据会脱离正常数据的低维特征空间,从而自编码模型无法有效地实现癫痫异常信号的重构;首先将输入和输出的差值作为异常分数值,然后通过ROC曲线的最优平衡点确定阈值,超过阈值的EEG信号被诊断为癫痫发作数据.利用公开数据集CHB-MIT脑电数据集和TUH脑电数据集,评估本文所提出的1DCNN-AE癫痫检测模型.结果 从AUC值和癫痫事件检测两个任务来看,1DCNN-AE模型在患者平均水平下的AUC值分别达到了CHB-MIT的0.890和TUH的0.686,癫痫检测率达到了0.974和0.893,其结果优于最新癫痫异常检测模型LSTM-VAE和模型GRU-VAE.对于模型参数量而言,与LSTM-VAE的47.4M和GRU-VAE的36.9M等模型参数量相比,1DCNN模型的参数量Params达到了58.5M,处于同一个量级;但1DCNN-AE模型计算量FLOPs为0.377G,远远小于LSTM-VAE的21.6G和GRU-VAE的16.2G.结论 1DCNN的自编码模型能有效地实现癫痫发作异常检测.
更多相关知识
关键词
自编码器深度学习癫痫检测异常检测一维卷积神经网络autoencoderdeep learningseizure detectionanomaly detectionone-dimensional convolutional neural network
栏目名称
DOI
10.12122/j.issn.1673-4254.2024.09.20
发布时间
2024-10-14（万方平台首次上网日期，不代表论文的发表时间）
- 浏览14
- 被引3
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
