WaveNet在脑电图（iEEG）分类中的精确度

本研究提出基于WaveNet的深度学习模型，用于自动分类iEEG信号至生理活动、病理/癫痫活动、电力线噪声及其他非脑源性伪影类别。模型在含209,231样本的数据集上（70/20/10划分）表现优于传统CNN/LSTM方法，噪声与伪影分类精度达0.98和≈1，但生理与病理信号分类存在重叠（F1=0.96和0.90）。采用动态划分、焦点损失和归一化预处理，模型通过因果卷积和残差连接捕捉时序特征，但跨场景泛化性待验证。

摘要

本研究介绍了一种基于WaveNet的深度学习模型，旨在自动化将颅内脑电图（iEEG）信号分类为生理活动、病理/癫痫活动、电力线噪声以及其他非脑部伪迹类别。传统的iEEG信号分类方法依赖于专家的视觉审查，但由于iEEG记录的复杂性和体积不断增加，这些方法变得越来越不切实际。利用梅奥诊所和圣安妮大学医院提供的公开标注数据集，WaveNet模型在209,231个样本上进行了训练、验证和测试，数据分为70%、20%和10%三部分。该模型的分类准确率超过了以往基于CNN和LSTM的非专用方法，并且与时间卷积网络（TCN）基线进行了对比测试。值得注意的是，该模型在区分噪声和伪迹类别方面表现出色（精度分别为0.98和约1）。尽管生理信号和病理信号之间的分类存在一定程度的重叠（F1分数分别为0.96和0.90，以及175个和272个跨类别误判），但这在临床上是可以解释的，反映了两者之间的固有重叠性。WaveNet的架构最初是为原始音频合成开发的，但由于采用了扩张因果卷积和残差连接，因此非常适合处理iEEG数据，能够捕捉到细粒度和长范围的时间依赖性。研究还详细介绍了预处理流程，包括动态数据集划分、使用焦点损失来应对类别不平衡以及支持模型高性能的归一化步骤。虽然结果显示了在特定数据集上的出色性能，但其在不同数据集和临床环境中的泛化能力仍有待验证。

本研究介绍了一种基于WaveNet的深度学习模型，用于自动化将颅内脑电图（iEEG）信号分类为生理活动、病理/癫痫活动、电力线噪声以及其他非脑部伪迹类别。传统的iEEG信号分类方法依赖于专家的视觉审查，但由于iEEG记录的复杂性和体积不断增加，这些方法变得越来越不切实际。利用梅奥诊所和圣安妮大学医院提供的公开标注数据集，WaveNet模型在209,231个样本上进行了训练、验证和测试，数据分为70%、20%和10%三部分。该模型的分类准确率超过了以往基于CNN和LSTM的非专用方法，并且与时间卷积网络（TCN）基线进行了对比测试。值得注意的是，该模型在区分噪声和伪迹类别方面表现出色（精度分别为0.98和约1）。尽管生理信号和病理信号之间的分类存在一定程度的重叠（F1分数分别为0.96和0.90，以及175个和272个跨类别误判），但这在临床上是可以解释的，反映了两者之间的固有重叠性。WaveNet的架构最初是为原始音频合成开发的，但由于采用了扩张因果卷积和残差连接，因此非常适合处理iEEG数据，能够捕捉到细粒度和长范围的时间依赖性。研究还详细介绍了预处理流程，包括动态数据集划分、使用焦点损失来应对类别不平衡以及支持模型高性能的归一化步骤。虽然结果显示了在特定数据集上的出色性能，但其在不同数据集和临床环境中的泛化能力仍有待验证。