2.4万对片段、20只大鼠：视频+脑电图自动测癫痫，检测F1高达0.974！
Seeing Seizures: A Large-Scale Empirical Study of Video and EEG Deep Learning for Automated Rodent Seizure Detection and Severity Grading
📖 AI 总结
该研究基于索曼诱导癫痫模型，构建了涵盖20只大鼠、601次记录会话、24131对同步视频与脑电片段的大规模数据集，系统评估了十种视频架构与七种单通道脑电模型在癫痫二分类检测及三分类、五分类严重程度分级任务上的表现。在会话独占的参照对比中，R(2+1)D-18与GRU的检测宏F1分别达到0.968和0.974，但五分类分级宏F1仅为0.657和0.560；采用被试独占评估后，视频与脑电的五分类宏F1进一步降至0.475和0.404，说明对未见动物进行严重程度分级仍相当困难。时间采样实验证实多帧输入的价值，而各视频架构间检测性能差异较小。在RodEpil数据集上的纯视频二分类评估经统一重编码后取得0.979的癫痫类平均F1。研究刻画了现有模型在行为定义严重程度标签下的能力边界，并指出需探索专家辅助标注流程。
🔑 关键词速览
| soman-induced epilepsy model | 索曼诱导的癫痫模型，一种使用神经毒剂索曼诱发实验动物癫痫的临床前研究模型。 |
| macro-F1 | 宏平均F1分数，一种分类评估指标，先计算每个类别的F1分数再取平均，适用于多分类任务。 |
| R(2+1)D-18 | 一种视频动作识别架构，将3D卷积分解为2D空间卷积和1D时间卷积，参数量较少。 |
| GRU | 门控循环单元，一种循环神经网络结构，常用于处理时序数据如脑电图信号。 |
| subject-exclusive evaluation | 受试者排他性评估，指训练集和测试集使用不同受试者（动物）的数据，以检验模型对未见个体的泛化能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅