EENED: End-to-End Neural Epilepsy Detection based on Convolutional Transformer

要約

最近、Transformer および Convolution ニューラル ネットワーク (CNN) ベースのモデルが、EEG 信号処理において有望な結果を示しています。
Transformer モデルはセルフ アテンション メカニズムを通じて EEG 信号のグローバルな依存関係をキャプチャでき、CNN モデルはノコギリ波などのローカルな特徴をキャプチャできます。
この研究では、CNN と Transformer を組み合わせたエンドツーエンドの神経性てんかん検出モデル EENED を提案します。
具体的には、Transformer エンコーダに畳み込みモジュールを導入することで、EENED は患者の脳波信号特徴の時間依存関係を学習し、スパイクの出現や鋭い信号と遅い信号の散在など、てんかんに密接に関連する局所的な脳波異常変異に気づくことができます。
波。
私たちが提案したフレームワークは、Transformer と CNN の機能を組み合わせて、EEG 信号のさまざまなスケールの特徴を捕捉し、てんかん検出の精度と信頼性を向上させることが期待されています。
私たちのソースコードは近々 GitHub で公開される予定です。

要約(オリジナル)

Recently Transformer and Convolution neural network (CNN) based models have shown promising results in EEG signal processing. Transformer models can capture the global dependencies in EEG signals through a self-attention mechanism, while CNN models can capture local features such as sawtooth waves. In this work, we propose an end-to-end neural epilepsy detection model, EENED, that combines CNN and Transformer. Specifically, by introducing the convolution module into the Transformer encoder, EENED can learn the time-dependent relationship of the patient’s EEG signal features and notice local EEG abnormal mutations closely related to epilepsy, such as the appearance of spikes and the sprinkling of sharp and slow waves. Our proposed framework combines the ability of Transformer and CNN to capture different scale features of EEG signals and holds promise for improving the accuracy and reliability of epilepsy detection. Our source code will be released soon on GitHub.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google