Robuste Merkmale mit Deep Learning zur automatischen Anfallserkennung lernen

Wir präsentieren und evaluieren die Fähigkeit eines tiefen neuronalen Netzwerks, robuste Merkmale aus EEG zu lernen, um Anfälle automatisch zu erkennen. Dies ist ein herausforderndes Problem, da die Manifestationen von Anfällen im EEG sowohl inter- als auch intra-patient sehr variabel sind. Durch die gleichzeitige Erfassung spektraler, zeitlicher und räumlicher Informationen lernt unser rekurrentes konvolutionales neuronales Netzwerk eine allgemeine räumlich invariant Darstellung eines Anfalls. Der vorgeschlagene Ansatz übertrifft signifikant frühere Ergebnisse, die bei zwischen-patienten Klassifikatoren erzielt wurden, sowohl hinsichtlich der Sensitivität als auch der Rate falsch positiver Ergebnisse. Darüber hinaus erweist sich unser Modell als robust gegenüber fehlenden Kanälen und variabler Elektrodenmontage.