用于癫痫发作检测的新型对比表示学习方法：基于脑电图（EEG）的数据分析

《Cognitive Neurodynamics》：Novel contrastive representation learning of epileptic electroencephalogram for seizure detection

　　癫痫发作自动检测对癫痫诊断治疗至关重要，现有深度学习模型常因未能充分捕捉EEG信号中的显著周期性和半周期性动态而影响特征提取效果。本研究提出ContrLF框架，通过强/弱数据增强生成关联视图，利用Floss方法自动学习EEG信号中的主要周期动态，同步进行时序和上下文对比模块的特征优化，最终采用SVM分类器验证。实验表明ContrLF在scalp和iEEG数据集上准确率、敏感性和特异性均超90%，优于现有SOTA方法，尤其在跨患者和特定患者检测中表现优异。

　　

摘要

自动检测癫痫发作对于诊断和治疗癫痫至关重要，能够显著改善患者的生活质量。目前已经开发出多种深度学习模型和方法，用于从脑电图（EEG）数据中自动提取特征以检测癫痫发作，但这些方法往往无法充分捕捉EEG信号中的重要周期性和半周期性动态，从而导致提取的特征不完整。为了解决这一挑战，我们提出了一种新的EEG特征学习框架——ContrLF。该框架结合了对比学习框架和Floss方法，以提高癫痫发作检测的准确性。在我们的方法中，首先对原始EEG数据应用强增强和弱增强处理，将其转换为两个不同但相关的视图。随后，利用Floss方法自动检测并学习增强后的EEG数据中的主要周期性动态，从而获得理解EEG信号中癫痫发作模式所需的有意义的周期性特征表示。同时，增强后的EEG数据会依次通过时间和上下文对比模块进行处理，这些模块旨在学习EEG信号的稳健特征表示。最后，使用支持向量机（SVM）分类器来评估我们提出的框架所提取的EEG特征的有效性。实验结果表明，该框架在检测癫痫发作方面的准确率、灵敏度和特异性均超过了90%，优于其他现有技术方法，证明了其在跨患者和特定患者癫痫发作检测方面的优越性。