SlimSeiz: Efficient Channel-Adaptive Seizure Prediction Using a Mamba-Enhanced Network

📄 arXiv: 2410.09998v1 📥 PDF

作者: Guorui Lu, Jing Peng, Bingyuan Huang, Chang Gao, Todor Stefanov, Yong Hao, Qinyu Chen

分类: cs.CV, cs.AI

发布日期: 2024-10-13

备注: 5 pages, 3 figures

期刊: 2025 IEEE International Symposium on Circuits and Systems (ISCAS)

DOI: 10.1109/ISCAS56072.2025.11043364

🔗 代码/项目: GITHUB

💡 一句话要点

SlimSeiz：利用Mamba增强网络实现高效的通道自适应癫痫预测

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 癫痫预测 脑电图 自适应通道选择 轻量级神经网络 Mamba 序列建模 医疗健康

📋 核心要点

  1. 现有癫痫预测方法依赖过多脑电通道或大型模型，限制了其在移动设备上的应用。
  2. SlimSeiz框架通过自适应通道选择和轻量级Mamba增强网络，实现了高效的癫痫预测。
  3. 实验表明，SlimSeiz在减少通道数量的同时，保持甚至超越了大型模型的预测性能。

📝 摘要（中文）

癫痫发作会导致大脑异常活动，其不可预测性可能导致意外事故，因此需要长期癫痫预测。虽然可以通过分析脑电图（EEG）信号来预测癫痫发作，但现有方法通常需要过多的电极通道或更大的模型，限制了移动可用性。本文介绍了一种SlimSeiz框架，该框架利用自适应通道选择与轻量级神经网络模型。SlimSeiz分两个阶段运行：第一阶段使用机器学习算法选择用于癫痫预测的最佳通道集，第二阶段采用基于卷积和Mamba的轻量级神经网络进行预测。在儿童医院波士顿-麻省理工学院（CHB-MIT）脑电图数据集上，SlimSeiz可以将通道从22个减少到8个，同时以仅21.2K的模型参数实现94.8%的准确率、95.5%的灵敏度和94.0%的特异性，达到或超过了更大模型的性能。我们还在上海仁济医院收集的新的脑电图数据集SRH-LEI上验证了SlimSeiz，证明了其在不同患者中的有效性。代码和SRH-LEI数据集可在https://github.com/guoruilu/SlimSeiz获得。

🔬 方法详解

问题定义：现有癫痫预测方法通常需要大量的脑电通道和复杂的模型，这增加了计算成本，限制了其在资源受限设备（如移动设备）上的部署和应用。因此，如何在减少通道数量和模型复杂度的同时，保持甚至提高癫痫预测的准确性是一个关键问题。

核心思路：SlimSeiz的核心思路是首先通过机器学习算法自适应地选择对癫痫预测最有用的脑电通道，然后利用一个轻量级的神经网络模型（基于卷积和Mamba）进行预测。这种方法旨在减少冗余信息，降低计算负担，并提高模型的效率和可移植性。

技术框架：SlimSeiz框架包含两个主要阶段：1) 通道选择阶段：使用机器学习算法（具体算法未知）从原始脑电信号中选择最佳的通道子集。这一阶段旨在减少输入数据的维度，降低后续模型的计算复杂度。2) 癫痫预测阶段：使用一个轻量级的神经网络模型，该模型结合了卷积和Mamba结构，对选定的通道数据进行分析和预测。该模型旨在提取脑电信号中的时空特征，并进行准确的癫痫预测。

关键创新：SlimSeiz的关键创新在于其结合了自适应通道选择和Mamba增强的轻量级神经网络。自适应通道选择能够有效地减少输入数据的维度，降低计算复杂度。Mamba结构是一种新型的状态空间模型，具有强大的序列建模能力，能够有效地捕捉脑电信号中的时序依赖关系。将两者结合，能够在保证预测准确性的前提下，显著降低模型的参数量和计算成本。

关键设计：通道选择阶段的具体算法未知。癫痫预测阶段的网络结构细节未知，但已知其结合了卷积和Mamba结构。损失函数和训练策略等细节也未知。模型参数量为21.2K。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SlimSeiz在CHB-MIT数据集上实现了94.8%的准确率、95.5%的灵敏度和94.0%的特异性，同时将通道数量从22个减少到8个，模型参数量仅为21.2K。该性能与更大的模型相当甚至更好，证明了SlimSeiz在效率和准确性方面的优势。此外，SlimSeiz还在SRH-LEI数据集上进行了验证，表明其具有良好的泛化能力。

🎯 应用场景

SlimSeiz框架具有广泛的应用前景，可用于开发便携式、低功耗的癫痫监测设备，为患者提供实时的癫痫预测和预警。该技术还可以应用于智能医疗、远程医疗等领域，提高癫痫患者的生活质量和安全性。此外，该框架的自适应通道选择方法和轻量级模型设计思路，也可以推广到其他生理信号分析和预测任务中。

📄 摘要（原文）

Epileptic seizures cause abnormal brain activity, and their unpredictability can lead to accidents, underscoring the need for long-term seizure prediction. Although seizures can be predicted by analyzing electroencephalogram (EEG) signals, existing methods often require too many electrode channels or larger models, limiting mobile usability. This paper introduces a SlimSeiz framework that utilizes adaptive channel selection with a lightweight neural network model. SlimSeiz operates in two states: the first stage selects the optimal channel set for seizure prediction using machine learning algorithms, and the second stage employs a lightweight neural network based on convolution and Mamba for prediction. On the Children's Hospital Boston-MIT (CHB-MIT) EEG dataset, SlimSeiz can reduce channels from 22 to 8 while achieving a satisfactory result of 94.8% accuracy, 95.5% sensitivity, and 94.0% specificity with only 21.2K model parameters, matching or outperforming larger models' performance. We also validate SlimSeiz on a new EEG dataset, SRH-LEI, collected from Shanghai Renji Hospital, demonstrating its effectiveness across different patients. The code and SRH-LEI dataset are available at https://github.com/guoruilu/SlimSeiz.