.png){kind=icon}
返回
Data Augmentation for Seizure Prediction With Generative Diffusion Model
.png){kind=icon}
PRE
AI
DOI：10.1109/TCDS.2024.3489357.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据增强（DA）可以显著强化基于脑电图（EEG）的癫痫发作预测方法。然而，现有的DA方法仅是对原始数据的线性变换，无法有效探索特征空间以增加多样性。因此，我们提出了一种基于扩散的新型DA方法，称为DiffEEG。DiffEEG能够充分探索数据分布并生成多样性高的样本，为分类器提供额外信息。该方法涉及两个过程：扩散过程和去噪过程。在扩散过程中，模型逐步以不同尺度向EEG输入添加噪声，并将其转化为随机噪声，从而学习数据的表示。在去噪过程中，模型利用所学知识通过逐步去除噪声，从随机噪声输入中采样合成数据。输入噪声的随机性和精确表示使合成样本在保持特征空间一致性的同时具备多样性。我们将DiffEEG与原始数据、下采样、滑动窗口和重组方法进行了比较，并将其集成到五种代表性分类器中。实验结果表明了该方法的有效性和普适性。得益于DiffEEG的贡献，多尺度CNN在CHB-MIT数据库上达到了当前最优性能，平均敏感度、误报率（FPR）、AUC分别为95.4%、0.051/h、0.932，在Kaggle数据库上分别为93.6%、0.121/h、0.822。
Keyword:
Data augmentation (DA)
deep learning
diffusion model
seizure prediction
期刊
IF:
4.9
论文数:
1.0K
被引数:
3.5K
机构
引用论文
An Overview of EEG-based Machine Learning Methods in Seizure Prediction and Opportunities for Neurologists in this Field.png)
Neuroscience
NeuroscienceIF0
PREAI
分享收藏Situating the social issues of image generation models in the model life cycle: a sociotechnical approach将图像生成模型的社会问题置于模型生命周期中：一种社会技术方法
PREAI
分享收藏
EEG data augmentation: towards class imbalance problem in sleep staging tasksEEG数据增强: 针对睡眠分期任务中的类别不平衡问题
PREAI
分享收藏
分享收藏
查看更多内容