机构名称：
¥ 1.0
癫痫是最严重的神经系统疾病之一，影响着世界人口的 1-2%。癫痫的诊断在很大程度上取决于对癫痫波的识别，即患者大脑中紊乱的脑电波活动。现有的研究已经开始采用机器学习模型通过皮层脑电图 (EEG) 检测癫痫波，EEG 是指通过对患者头皮表面进行无创检查以记录大脑电活动而获得的大脑数据。然而，最近发展的立体脑电图 (SEEG) 方法提供比传统 EEG 更精确的立体信息，并且已广泛应用于临床实践。因此，在本文中，我们提出了第一个数据驱动的研究来在现实世界的 SEEG 数据集中检测癫痫波。SEEG 在提供新机遇的同时，也带来了一些挑战。在临床实践中，癫痫波活动被认为在大脑的不同区域之间传播。这些传播路径，也称为致痫网络，被视为癫痫手术中的关键因素。然而，如何为每位患者提取精确的致痫网络仍然是神经科学领域的一个悬而未决的问题。此外，癫痫波和 SEEG 数据的性质不可避免地会导致标签极度不平衡和严重噪声。为了应对这些挑战，我们提出了一个新模型（BrainNet），该模型联合学习动态扩散图并建模脑波扩散模式。此外，我们的模型通过采用多个自监督学习任务和分层框架，有效地帮助抵抗标签不平衡和严重噪声。通过对从多名患者获得的大量真实 SEEG 数据集进行实验，我们发现 BrainNet 的表现优于来自时间序列分析的几个最新的最先进基线。
BrainNet：使用分层图扩散学习从 SEEG 检测癫痫波
主要关键词
相关文件推荐
