精读+复现：V2IED: Dual-view learning framework for detecting events of interictal epileptiform discharges

总述

业界大多数的癫痫棘波检测算法往往是基于MEG信号或EEG信号的时序特点的，但大多数癫痫发作往往是局灶的，即表现在局部位置上的。这意味着EEG数据和MEG数据其中的相邻传感器会存在着较多的空间位置信息。从这出发，则为棘波检测算法提供了更多的思路。

而V2IED则是从时序数据本身出发，结合了各传感器的拓扑位置，进行癫痫的棘波检测分析。

从文章提到的结果来看，这篇文章所提出的2角度提取特征的方法是有效的。因为文章本身没有公开代码，所以我按照文章所述，对方法进行了复现。按我的思路来说，先从一般的concate方法出发，在未使用论文在3.3.1节所用到的Anchoring IED peak算法的前提下，并未达到Table 9中消融实验的效果。所以复现工作就此终止。

另外，因为V2IED论文本身所用到的公开数据集Dyrad很小，所以，我应用该思路使用到TUEV数据集进行了再实验，实验结果也不是很理想。

以上所述，仅是我的一家之言， 在文末，我会公开我所写的部分代码，欢迎志同道合的朋友一起讨论，如果发现本博客或代码中存在明显问题，还望不吝指正。谢谢！

本文主要针对论文的想法和思路进行分析，复现和实验部分是按照思路进行的，如有纰漏，还望指正。好了，话不多说，开始进入正文。

文章精读

既然是精读，就需要对文章进行仔细阅读，但在这里我就不浪费大家的时间了，直接讲方法。

这篇文章发表在中科院1区Neural Network期刊上，其参考意义不言而喻。文章提出了从两方面