arXiv cs.AI· Ramya Sundaram, Muhammad Aslam Jarwar, M Uma, Sunder Ali Khowaja, Qurat-Ul-Ain Mastoi·· 3 天前AI 评分20
面向模态无关的癫痫发作分类：统一 EEG 与 iEEG 信号的深度学习框架
Towards Modality-Agnostic Seizure Classification: A Unified Deep Learning Framework for Heterogeneous EEG and Intracranial EEG Signals
AI 导读
研究者提出统一多模态信号协调框架 UMSH，将不同受试者与来源的异构 EEG 和 iEEG 记录整合进同一癫痫发作分类流程，并用基于 cGAN 的数据增强缓解类别极度不平衡。该框架以 EEGNet-ViT 作为特征提取与分类网络，同时学习局部判别模式与全局上下文信息，实验验证了其在鲁棒癫痫分类上的有效性。
正文 · AI 翻译
摘要：癫痫发作预测与检测对于癫痫的临床治疗至关重要，仍是这一神经系统疾病的关键任务。EEG 和 iEEG 因能够以高时间分辨率捕捉具有判别力的脑活动，被广泛用于分析癫痫。然而，现有工作通常分别分析 EEG 或 iEEG 的癫痫发作活动，其中 EEG 分析已得到充分研究，而越来越多的研究考虑 iEEG，因为其在空间层面具有更高的特异性以及更好的信号质量。目前，大多数现有的癫痫发作预测系统本质上是单模态的，这限制了其适用于多种临床情况。因此，需要开发一个使用 EEG 和 iEEG 信号分析癫痫发作的通用框架。本文提出了一种新的多模态癫痫发作分类框架，整合了来自不同受试者和来源的异构 EEG 和 iEEG 记录。我们开发了一个名为统一多模态信号协调（UMSH）的具体框架，用于协调具有不同采样率和记录条件的信号。此外，为了处理数据集中极端的类别不平衡问题，我们使用基于条件生成对抗网络（cGAN）的数据增强技术来生成合成样本，以平衡类别分布。所提出的框架使用 EEGNet-Vision Transformer（EEGNet-ViT）作为特征提取和分类网络，以学习多模态癫痫发作数据中的局部判别模式和全局上下文信息。实验结果证明了所提出框架在稳健癫痫发作分类方面的有效性，凸显了整合 EEG-iEEG 多模态学习在推进下一代癫痫监测和临床决策支持系统方面的潜力。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.16596 [cs.LG] |
| （或 arXiv:2610.16596v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16596 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Muhammad Aslam Jarwar [查看电子邮件]
[v1]
2026年10月12日星期一 11:18:18 UTC（517 KB）
[v2]
2026年10月14日星期三 10:13:15 UTC（517 KB）
来源：arXiv cs.AI · arxiv.org