机构名称：
¥ 1.0
我们提出了一个根据脑电图 (EEG) 记录诊断脑部疾病的通用框架，其中使用来自正常健康脑状态的 EEG 数据训练生成模型，随后检测这些信号的任何系统性偏差。我们将该框架应用于首次自发性癫痫发作之前的潜在癫痫发生的早期诊断。我们将早期诊断问题表述为无监督异常检测任务。我们首先训练对抗自动编码器，以学习具有强加先验分布的正常 EEG 数据的低维表示。然后，我们根据记录后一小时内的一秒数据样本数量定义异常分数，其重建误差和它们的潜在表示与强加先验分布的原点的距离超过某个阈值。我们的结果表明，在啮齿动物癫痫模型中，从诱发脑损伤后到第一次自发性癫痫发作发生，平均重建误差随时间增加。这暗示着一个长期的致癫痫过程，这个过程会在几周内逐渐改变脑电图信号的特征。总的来说，我们证明了无监督学习方法可用于自动检测长期发生的大脑活动模式的系统性漂移。这种方法可能适用于其他神经或精神疾病的早期诊断，为及时干预打开大门。
利用深部异常检测诊断癫痫发生
主要关键词
相关文件推荐
