机构名称：
¥ 1.0
摘要 - 癫痫病是一种流行的神经系统疾病，其特征是通过癫痫发作，影响了全球约5000万个人。鉴于相关并发症的潜在严重程度，早期和准确的癫痫发作检测至关重要。在临床实践中，头皮脑电图（EEG）是非侵入性工具，广泛用于癫痫发作和定位，有助于癫痫发作类型的分类。但是，手动脑电图注释是劳动密集型的，昂贵的，并且遭受了低相互协议的侵害，因此需要自动化方法。为了解决这个问题，我们介绍了一个新颖的深度学习框架，将卷积神经网络（CNN）模块结合在一起，用于从多渠道EEG数据中提取时间和空间特征，以及一个变压器编码器模块以捕获长期顺序信息。我们对公共脑电图癫痫发作数据集进行了广泛的实验，未加权的F1得分为0.731，精度为0.724，召回（灵敏度）为0.744。我们进一步复制了文献中的几个EEG分析管道，并证明我们的管道表现优于当前的最新方法。这项工作为自动癫痫发作检测提供了重要的一步。通过实现更有效，更有效的诊断工具，它有可能显着影响临床实践，优化患者护理和癫痫治疗的结果。GitHub 1上可用的代码。索引项 - eegs，癫痫发作，变压器模型
使用多通道EEGS上的变压器模型自动癫痫发作检测
主要关键词
相关文件推荐
