机构名称：
¥ 1.0
摘要 — 癫痫是一种神经系统疾病，其特征是由大脑异常电活动引起的突发和反复发作。反应性神经刺激 (RNS) 为药物难治性癫痫患者提供了一种有希望的治疗选择。反应性神经刺激 (RNS) 是一种采用闭环系统的植入式设备。它通过皮层脑电图 (ECoG) 记录持续监测大脑活动。当系统检测到癫痫发作活动时，它会向大脑发送直接电刺激以抑制癫痫发作。癫痫发作检测算法需要针对患者进行优化，这导致近年来人们对深度学习方法的兴趣日益浓厚。虽然更深的网络架构通常可以提高检测准确性，但它们在植入式设备中的实现受到硬件资源有限和可用于 ECoG 监测的电极通道数量有限的限制。为了确保 RNS 的实际可行性，系统地最小化患者特定深度学习模型的计算成本和连接的 ECoG 电极数量至关重要。本研究通过分析在 3D ECoG 数据上训练的 3D 卷积神经网络 (3D CNN) 的第一个卷积层学习到的时空核，系统地减少了癫痫检测模型中的电极通道数量和计算成本。这种方法充分利用了网络学习网格电极之间的空间关系和 ECoG 信号的时间动态的能力。缩小后的癫痫检测 CNN 模型与原始 CNN 模型之间的性能比较表明，至少对于某些患者，可以在减小模型尺寸的同时保持推理性能。
癫痫皮层脑电图检测仪的小型化...
主要关键词
相关文件推荐
