结合残差U-Net与数据增强技术，实现单通道脑电图中棘波放电的密集时间分割

《Scientific Reports》：Combining residual U-Net and data augmentation for dense temporal segmentation of spike wave discharges in single-channel EEG

　　

摘要

对于长期脑电图监测研究而言，对失神发作的电生理特征——棘波放电进行手动标注是一项工作量巨大的任务。虽然机器学习方法在自动化检测方面展现出潜力，但由于不同个体之间发作形态和信号特征的巨大差异，这些方法往往难以实现跨受试者的泛化。在本研究中，我们使用了16种机器学习分类器，在自己手动标注的961小时C3H/HeJ小鼠脑电图数据集上进行了测试，该数据集包含22,637个已标记的棘波放电实例，结果发现一维U-Net的表现最为优异。随后，我们通过引入残差连接以及幅度缩放、高斯噪声注入和信号反转等数据增强策略来提升其性能，进而增强跨受试者的泛化能力。我们所提出的AugUNet1D模型平均F1分数为0.90，精确度和召回率分别为0.91和0.90，相比“双峰”算法基准实现了29%的相对提升，且具有出色的跨受试者性能。该模型在我们的手动标注数据上预训练完成，连同数据集一起向其他用户公开。