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

文章探讨了基于EEG信号的癫痫棘波检测中,V2IED方法如何结合时序和空间位置信息。作者复现了论文中的部分方法,但未能完全达到原文效果,特别提到了re-reference和AnchoringIEDpeak算法。文章最后呼吁同行共同讨论和改进方法的鲁棒性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值