在本周于预印服务器Arxiv.org 上发表的一篇论文中，IBM研究人员描述了SeizureNet，这是一种机器学习框架，用于学习癫痫发作的特征以对各种类型进行分类。他们说，它可以在流行的数据集上实现最新的分类精度，并且对于内存不足和推理速度更快的应用，有助于提高小型网络的分类精度。
如果这些说法能够经受学术审查，例如，该框架可以帮助超过340万癫痫患者更好地了解引发癫痫发作的因素。世界卫生组织估计，如果正确诊断和治疗，多达70％的癫痫病患者可以无癫痫发作。
SeizureNet是一个机器学习框架，由单独的分类器（特别是卷积神经网络）组成，这些分类器学习脑电图（EEG）的特征（即评估大脑电活动的测试）以预测癫痫发作的类型。（这是IBM于去年2月首次披露的癫痫发作分类系统的发展。）子网使用从不同频率和时间分辨率采样的数据，当以96Hz的采样率处理测试数据时，可获得最佳性能。
研究人员使用了世界上最大的癫痫发作记录语料库-天普大学的TUH EEG癫痫发作语料库对SeizureNet进行了培训，其中包含2,012例癫痫发作。由于记录的癫痫发作数量少，他们排除了肌阵挛性癫痫发作。为了进行验证，他们将每种类型的癫痫发作按比例分为训练和测试集。
他们报告说，SeizureNet达到了98.4％的分类准确率，比次之的最佳癫痫发作检测模型高出约4个百分点。此外，在一项实验中，他们表明SeizureNet可用于提高较小网络的泛化性能。一个小型模型所需的训练参数减少45倍，FLOPS数量减少1100倍，训练后推理速度提高45倍。
合著者写道：“在脑电数据中对癫痫发作类型进行自动分类可以使疾病更准确地诊断和有效管理。” “由于诸如信噪比低，信号伪像，癫痫患者的癫痫发作学差异很大以及临床数据有限等因素，这项任务具有挑战性。”
IBM的工作是在澳大利亚的Edith Cowan大学和孟加拉的Pabna科技大学发表论文之后发表的，研究人员详细介绍了一种使用两步法自动分类癫痫发作的模型。最近其他类似的工作包括由MathWorks，美国国立卫生研究院国家神经疾病与中风研究所（NINDS）和美国癫痫病学会赞助的Google Kaggle平台上的竞赛，该竞赛对参与者提出了挑战，要求他们对癫痫患者的脑电图进行算法训练数据。
网友评论