Interpretable Seizure Classification Using Unprocessed EEG With Multi-Channel Attentive Feature Fusion
基于多通道关注特征融合的未处理脑电图可解释癫痫分类
目的
癫痫发作分类
摘要
癫痫发作类型的识别在癫痫的临床诊断和治疗中起着至关重要的作用。然而,癫痫类型的临床评估高度依赖于观察到的医学症状和进行评估的癫痫学家的经验。一个关键的诊断工具是脑电图(EEG),它可以捕捉大脑活动,并可用于确定癫痫发作的类型。脑电图通道在癫痫发作后表现出非平稳和动态的行为,每个脑电图通道根据癫痫发作类型和癫痫病灶表现出独特的特征。本文提出了一种新颖的深度学习架构,利用来自10-20布局的原始头皮EEG数据进行注意力驱动数据融合,在每个通道上训练独立的浅深度网络。与大多数首先采用数据工程步骤的最先进方法不同,我们直接将来自每个通道的EEG信号通过由SincNet和Conv1D层组成的深度卷积网络传递,该网络直接从输入信号中学习鲁棒特征,增加了模型的可解释性。
然而,每个通道和时间信息的重要性根据记录的特定条件而变化,这可能对整体识别产生不利影响。我们提出了一种基于细心融合信道的方法,以确保仅捕获来自单个信道编码器的显著特征,并将融合的信息传递给深度神经网络进行分类。我们提出的方法在**天普大学医院癫痫语料库(TU