MT-NAM: An Efficient and Adaptive Model for Epileptic Seizure Detection

作者: Arshia Afzal, Volkan Cevher, Mahsa Shoaran

发布时间: 2025-03-12

来源: arxiv

研究方向: 癫痫检测与神经信号处理

主要内容

本文研究了基于脑电图（EEG）的癫痫发作检测，提出了一种名为MT-NAM（基于微树结构的NAM）的高效且自适应的模型。该模型通过知识蒸馏和在线更新机制，在保证检测准确性的同时，显著提高了检测速度。

1. 提出了基于NAM（神经加性模型）的癫痫检测新方法，有效捕捉了数据中的非线性关系。

2. 通过知识蒸馏技术，将NAM模型简化为Micro Tree-based NAM（MT-NAM），在保证性能的同时，大幅提高了推理速度。

3. 利用T3A（测试时间模板调整器）更新机制，使模型在测试时能够动态调整，从而提高检测的敏感性。

4. 在CHB-MIT头皮EEG数据集上进行了实验，结果表明MT-NAM在检测速度和准确性方面均优于现有方法。

1. 神经加性模型（NAM）

2. 知识蒸馏

3. 决策树

4. 测试时间模板调整器（T3A）

5. 在线更新机制

实验结果表明，MT-NAM在CHB-MIT头皮EEG数据集上取得了优异的检测效果，与标准NAM相比，MT-NAM在保持相同敏感性的情况下，实现了50倍的推理速度提升。

未来将探索以下方面：进一步优化MT-NAM模型，提高其在更多数据集上的泛化能力；将MT-NAM应用于其他神经信号处理任务；研究更有效的在线更新机制，以进一步提高模型的适应性。