整合多尺度特征提取和注意力机制的深度学习框架在 CHB-MIT 头皮 EEG 数据集上展现出有效的癫痫发作检测性能。
其他
一种采用多尺度特征提取和注意力机制的新型深度学习框架可改善 EEG 数据的癫痫发作检测。
脑电图 (EEG) 数据建模由于其高维性以及在时间和空间上表现出的复杂模式，仍然是一项具有挑战性的任务。EEG 数据的特性要求模型能够同时捕捉微细的细节信息和全局上下文。在本文中，为了直接从原始 EEG 信号中学习有用的表征，提出了一种整合多尺度时空特征提取和注意力机制的深度学习框架。通过这种设计，在利用注意力机制捕获长期依赖关系的同时，可以使用多尺度卷积层有效建模时间动态关系和空间关联性。在 CHB-MIT 头皮 EEG 数据集上进行的大量实验表明，所提出的方法在癫痫发作检测性能方面是有效的，并具有用于实际临床应用的巨大潜力。
Kim et al. (Fri,) 针对 Seizure 进行了一项 other 研究。针对 Seizure detection performance 评估了 Deep learning framework with multi-scale feature extraction and attention mechanism。整合多尺度特征提取和注意力机制的深度学习框架在 CHB-MIT 头皮 EEG 数据集上展现出有效的癫痫发作检测性能。