Hsiam: A Generalized Siamese Network for Efficient Multi-Resolution EEG Analysis

Jialin Wang

doi:10.1109/jbhi.2026.3722580

Hsiam: A Generalized Siamese Network for Efficient Multi-Resolution EEG Analysis

2026-08-11

0

OA

AI

DOI：10.1109/jbhi.2026.3722580

原文链接

原文求助

摘要

En 中文

高频脑电图（EEG）能提供更丰富的频谱表示，可揭示低分辨率记录中不可见的神经特征。然而，其应用受到高计算成本、高采样率EEG系统临床可用性有限以及易受高频噪声放大影响等因素的制约。为解决这些问题，我们提出了高频孪生网络（Hsiam），一种通用的双分支孪生架构，旨在实现高效的跨分辨率EEG分析。Hsiam通过权重共享的并行分支处理不同频率分辨率的输入，并通过专门的校准损失强制执行跨分辨率一致性。在该框架内，高频活动增强模块（HEM）通过强调与任务相关的高频成分来促进判别学习，而频域Dropout Transformer（FD-former）在频域中建模时频依赖关系，以增强对噪声和冗余频域信息的鲁棒性。重要的是，Hsiam在推理时仅需单分支输入，显著降低计算开销而不影响精度。在自建及两个公开EEG数据集上的大量实验表明，Hsiam在治疗有效性预测和癫痫检测任务中均表现出优异性能。进一步的分支级、频率级和通道级分析显示，其性能提升与训练时的跨分辨率校准、任务依赖的频谱利用以及非均匀空间通道贡献相关。

Keyword:

Deep learning

High-Frequency Activity (HFA)

Multi-resolution EEG analysis

Seizure detection

Siamese network

Hsiam: A Generalized Siamese Network for Efficient Multi-Resolution EEG Analysis

摘要

期刊

机构

引用论文