NeuroDx-LM：一种基于 EEG 的神经系统疾病检测临床大规模模型.pdfVIP

NeuroDx-LM：一种基于EEG的神经系统疾病检

测临床大规模模型

GuanghaoJin,YuanLiang,YihanMa,JingpeiWu,andGuoyang

Liu

ShandongUniversity,China

LMUMunich,Germany

jin@cip.ifi.lmu.de,202335720@,202336133@,

jingpei.wu@lmu.de,gyliu@

本

译摘要大规模模型在脑电图（EEG）预训练方面显示出在神经疾病检测等

中临床应用中的潜力。然而，基于EEG的大规模模型的实际部署面临着关

键挑战，如有限的标注EEG数据和临床场景下的次优性能。为了解决这

1些问题，我们提出了NeuroDx-LM，这是一种专门用于检测基于EEG的

v

4神经系统疾病的新型大规模模型。我们的主要贡献包括（i）一种选择性时

2间-频率嵌入机制，自适应地捕捉EEG信号中的复杂时间和频谱模式；以

1及（ii）一种渐进特征感知训练策略，在两阶段过程中优化特征表示。在

8

0第一阶段，我们的模型学习到EEG活动的基本区分特征；在第二阶段，

8.模型进一步提取更多专门的细粒度特征以实现准确的诊断性能。我们在

0CHB-MIT和精神分裂症数据集上评估了NeuroDx-LM，分别实现了基于

5EEG的癫痫发作和精神分裂症检测方面的最新技术水平。这些结果展示了

2

:基于EEG的大规模模型在推进临床应用中的巨大潜力。我们的代码可在

v

i/LetItBe12345/NeuroDx-LM获取。

x

r

aKeywords:大规模模型·异常检测·脑电图·多尺度分析。

1介绍

神经系统疾病，包括癫痫和精神分裂症，影响了全球超过30亿的患者，

每年造成约2.5万亿美元的经济损失[1,2]。脑电图（EEG）作为一种记录大

脑电活动的方法，在检测神经系统疾病中起着关键作用。鉴于传统的EEG

分析是由训练有素的神经学家进行的，耗时较长，因此高度需要基于自动深

度学习的方法。

至今，已经提出了各种深度学习方法用于脑电图分析[3,4]。例如，Ullah

等。[5]采用2D卷积架构来捕捉来自EEG信号的局部时空模式以进行癫痫

2GuanghaoJinetal.

发作检测。Lee等人。[6]进一步通过递归组件纳入时间依赖性建模。然而，

这些模型通常具有有限的泛化能力，难以捕捉适合不同条件和噪声的鲁棒

EEG特征。

近期在大型语言模型（LLMs）[7,8]中引入了统一的脑电图表示学习的

新框架。多项研究