We propose a generative model for single-channel EEG that incorporates the constraints experts actively enforce during visual scoring. The framework takes the form of a dynamic Bayesian network with depth in both the latent variables and the observation likelihoods-while the hidden variables control the durations, state transitions, and robustness, the observation architectures parameterize Normal-Gamma distributions. The resulting model allows for time series segmentation into local, reoccurring dynamical regimes by exploiting probabilistic models and deep learning. Unlike typical detectors, our model takes the raw data (up to resampling) without pre-processing (e.g., filtering, windowing, thresholding) or post-processing (e.g., event merging). This not only makes the model appealing to real-time applications, but it also yields interpretable hyperparameters that are analogous to known clinical criteria. We derive algorithms for exact, tractable inference as a special case of Generalized Expectation Maximization via dynamic programming and backpropagation. We validate the model on three public datasets and provide support that more complex models are able to surpass state-of-the-art detectors while being transparent, auditable, and generalizable.


翻译:我们提出单一通道EEG的基因化模型,该模型包含专家在视觉评分期间积极执行的限制因素。框架的形式是动态贝叶西亚网络,其深度包括潜伏变量和观察可能性,而隐藏变量控制时间长度、状态转型和稳健度,观测结构结构参数将正常-伽马分布参数化。由此形成的模型允许利用概率模型和深层次学习,将时间序列分割成局部的、重复的动态系统。与典型的探测器不同,我们的模型采用原始数据(直到重新取样),而不进行预处理(例如过滤、窗口、阈值)或后处理(例如事件合并)。这不仅使模型吸引实时应用,而且还产生可解释的超参数,类似于已知的临床标准。我们从精确、可移植的推论中得出精确的算法,作为通过动态编程和反演算法实现普遍期望最大化的特殊案例。我们验证了三个公共数据集的模型,并为更复杂的模型提供支持,这些模型既可以超越州级的、透明、可控和可操作的通用的检测器。

0
下载
关闭预览

相关内容

【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【MIT深度学习课程】深度序列建模,Deep Sequence Modeling
专知会员服务
77+阅读 · 2020年2月3日
专知会员服务
159+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
已删除
将门创投
5+阅读 · 2019年5月5日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
1+阅读 · 2021年4月25日
Arxiv
37+阅读 · 2021年2月10日
Recent advances in deep learning theory
Arxiv
50+阅读 · 2020年12月20日
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Arxiv
24+阅读 · 2018年10月24日
Parsimonious Bayesian deep networks
Arxiv
5+阅读 · 2018年10月17日
Arxiv
6+阅读 · 2018年10月3日
VIP会员
相关资讯
已删除
将门创投
5+阅读 · 2019年5月5日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Arxiv
1+阅读 · 2021年4月25日
Arxiv
37+阅读 · 2021年2月10日
Recent advances in deep learning theory
Arxiv
50+阅读 · 2020年12月20日
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Arxiv
24+阅读 · 2018年10月24日
Parsimonious Bayesian deep networks
Arxiv
5+阅读 · 2018年10月17日
Arxiv
6+阅读 · 2018年10月3日
Top
微信扫码咨询专知VIP会员