arXiv eess.SP（Signal Processing）·· 3 天前AI 评分38
DiffEEG：自监督去噪扩散模型学习 EEG 癫痫相关表征
DiffEEG: A Self-Supervised Denoising Diffusion Model for Learning EEG seizure-related Representations
AI 导读
DiffEEG 是一个 9.6M 参数的自监督基础模型，通过去噪扩散预训练与强化学习微调，解决 EEG 癫痫检测中标注稀缺和类别极度不平衡的问题。模型在 TUHSZ 的 1.3M 无标注片段上预训练，采用 1D U-Net 与多头自注意力学习通用神经表征。在 279 名患者的严格患者级评估中，二分类检测达 81% 准确率和 85% 加权 F1，4 类癫痫亚型分类为 61% 准确率和 59% F1。
AI 要点
团队
第一作者 Abdulkader Helwan，末位作者 Khadidja Henni，共 5 位作者。
主要结果
在按患者划分的评估中，二分类检测准确率 81%、加权 F1 85%；4 类发作亚型分类准确率 61%、F1 59%。
解决什么问题
针对 EEG 癫痫检测中标注稀缺与类别极度不平衡（发作事件占临床记录不足 10%）的问题。
方法
9.6M 参数自监督模型，在 TUHSZ 的 130 万段无标注数据上做去噪扩散预训练，用 1D U-Net 加多头自注意力；下游用策略梯度强化学习决策层直接优化 F1。
局限
从研究设计看，二分类召回率 59%，4 类亚型准确率 61%；段级评估 97.6% 准确率只是上限，并非患者级结果。
AI 依据原文整理，未经人工核对。
来源：arXiv eess.SP（Signal Processing） · arxiv.org