Graph Attention Networks for Detecting Epilepsy from EEG Signals Using Accessible Hardware in Low-Resource Settings
Szymon Mazurek, Stephen Moore, Alessandro Crimi
目标：在低收入国家，由于神经科医生稀缺和诊断工具昂贵，癫痫的诊断率仍然偏低。我们提出了一种基于图的深度学习框架，用于从低成本脑电图(EEG)硬件中检测癫痫，并在尼日利亚和几内亚比绍的 recordings 上进行了测试。我们的重点是公平、可获取的自动评估和可解释性，以揭示癫痫的生物标志物。方法：我们将EEG信号建模为时空图，使用图注意力网络(GAT)对其进行分类，并识别通道间关系和时间动态。为了强调连接性生物标志物，我们调整了原本关注节点的GAT来分析边。我们还设计了适用于低保真 recordings 的信号预处理方法，以及一个轻量级GAT架构，该架构在Google Colab上训练并部署在RaspberryPi设备上。结果：该方法取得了有前景的分类性能，在多次会话中，其准确性和鲁棒性优于基于随机森林和图卷积网络的标准分类器，同时还突出了额颞区的特定连接。结论：这些结果突显了GAT在服务不足地区为癫痫提供有洞察力且可扩展的诊断支持的潜力，为经济实惠且可获取的神经诊断工具铺平了道路。
Goal: Epilepsy remains under-diagnosed in low-income countries due to scarce neurologists and costly diagnostic tools. We propose a graph-based deep learning framework to detect epilepsy from low-cost Electroencephalography (EEG) hardware, tested on recordings from Nigeria and Guinea-Bissau. Our focus is on fair, accessible automatic assessment and explainability to shed light on epilepsy biomarkers. Methods: We model EEG signals as spatio-temporal graphs, classify them, and identify interchanne...