Long-Term EEG Partitioning for Seizure Onset Detection

要約

ディープラーニング・モデルは最近、脳波記録を用いたてんかん患者の分類で大きな成功を収めている。残念なことに、分類ベースの手法には、発作イベントの発生を検出するための健全なメカニズムが欠けている。本研究では、部分的クラスタリングという新しいタスクの定式化を通じて、発作の発生を明示的にモデル化する2段階のフレームワークSODorを提案する。EEGシーケンスが与えられると、このフレームワークはまずラベル監視を伴う第2レベルの埋め込み集合を学習する。次に、EEGシーケンスにおける長期的な時間依存性を明示的に捕らえ、意味のある部分シーケンスを識別するために、モデルベースのクラスタリングを用いる。部分シーケンス内のエポックは共通のクラスタ割り当て（正常または発作）を共有し、クラスタまたは状態の遷移はオンセット検出の成功を表す。つのデータセットで広範な実験を行い、我々の手法が誤分類を修正でき、他のベースラインより5％～11％分類を改善し、発作のオンセットを正確に検出できることを実証した。

要約(オリジナル)

Deep learning models have recently shown great success in classifying epileptic patients using EEG recordings. Unfortunately, classification-based methods lack a sound mechanism to detect the onset of seizure events. In this work, we propose a two-stage framework, SODor, that explicitly models seizure onset through a novel task formulation of subsequence clustering. Given an EEG sequence, the framework first learns a set of second-level embeddings with label supervision. It then employs model-based clustering to explicitly capture long-term temporal dependencies in EEG sequences and identify meaningful subsequences. Epochs within a subsequence share a common cluster assignment (normal or seizure), with cluster or state transitions representing successful onset detections. Extensive experiments on three datasets demonstrate that our method can correct misclassifications, achieving 5\%-11\% classification improvements over other baselines and accurately detecting seizure onsets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL