.png){kind=icon}
返回
Multiple EEG chanel attention based multi-task model for epileptiform activity quantification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.132342.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
痫样活动在表征睡眠中电性癫痫持续状态（ESES）的脑电图（EEG）方面至关重要。棘波指数（SWI）是一种用于表征痫样活动强度的定量测量方法，有助于ESES脑病临床诊断。SWI计算的核心在于两项任务：睡眠分期和痫样活动分割。当前研究通常仅关注单一任务，而两项任务之间的内在联系尚未得到充分挖掘。为解决此问题，本文提出了一种用于痫样活动量化分析的多任务学习方法，该方法包含EEG通道注意力模块（MCAQN）。该方法由任务共享网络和两个任务特定注意力网络组成。任务共享网络负责学习EEG的全局特征。而两个任务特定注意力网络分别通过EEG通道注意力模块（ECA）从全局特征中提取任务特定信息，其中一个专门用于睡眠分期和SWI量化。为平衡多任务的重要性，设计了一种新型损失函数，该函数结合了基于语义分割的SWI量化损失和睡眠分期分类损失。这种多任务学习方法使每个模块能够捕获任务特定信息，同时利用相关任务间的固有相关性，从而显著提升整体性能。实验在浙江大学医学院附属儿童医院（CHZU）数据集的长程EEG数据上进行。所提出的MCAQN方法相较于单任务方法及部分当前最优方法（SOTA）表现出明显优势。具体而言，该方法可在不依赖阈值和专家经验的情况下准确量化SWI，且SWI误差（ ）低至2.406%。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
Performance of an Automated Polysomnography Scoring System Versus Computer-Assisted Manual Scoring.png)
SLEEP
OAAI
SLEEPIF4.9
OAAI分享收藏Automated analysis of a large-scale paediatric dataset illustrates the interdependent relationship between epilepsy and sleepSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
分享收藏
查看更多内容