A Meta-GNN approach to personalized seizure detection and classification

要約

この論文では、限られた発作サンプルから特定の患者に迅速に適応する、パーソナライズされた発作検出および分類フレームワークを提案します。
これは、グラフ ニューラル ネットワーク (GNN) とメタ学習という、さまざまな実世界のアプリケーションで最近多くの成功を収めている 2 つの新しいパラダイムを組み合わせることによって達成されます。
一連のトレーニング患者からグローバル モデルを学習する Meta-GNN ベースの分類器をトレーニングし、このグローバル モデルが最終的に非常に限られたサンプルを使用して新しい目に見えない患者に適応できるようにします。
てんかんの最大かつ公開されているベンチマーク データセットの 1 つである TUSZ データセットにアプローチを適用します。
新しい目に見えない患者に対してわずか20回の反復の後、精度で82.7％、F1スコアで82.08％に達し、私たちの方法がベースラインよりも優れていることを示しています。

要約(オリジナル)

In this paper, we propose a personalized seizure detection and classification framework that quickly adapts to a specific patient from limited seizure samples. We achieve this by combining two novel paradigms that have recently seen much success in a wide variety of real-world applications: graph neural networks (GNN), and meta-learning. We train a Meta-GNN based classifier that learns a global model from a set of training patients such that this global model can eventually be adapted to a new unseen patient using very limited samples. We apply our approach on the TUSZ-dataset, one of the largest and publicly available benchmark datasets for epilepsy. We show that our method outperforms the baselines by reaching 82.7% on accuracy and 82.08% on F1 score after only 20 iterations on new unseen patients.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google