Spatio-Temporal Adaptive Diffusion Models for EEG Super-Resolution in Epilepsy Diagnosis

本文提出了一种名为“时空自适应扩散模型（STADMs）”的技术，旨在使用扩散模型实现从低分辨率（LR，64个或更少通道）脑电图（EEG）到高分辨率（HR，256个通道）EEG的空间SR重建。 STADMs包括一个时空条件模块，用于提取LR EEG的时空特征，这些特征作为条件输入来指导扩散模型的反噪声处理过程。此外，还构建了一个多尺度Transformer去噪模块，利用多尺度卷积块和基于交叉注意力的扩散Transformer块进行条件指导，生成主体自适应的SR EEG。实验结果表明，所提出的方法有效地提高了LR EEG的空间分辨率，并在定量性能上优于现有方法。此外，STADMs通过将合成的SR EEG应用于癫痫患者的分类和源定位任务中，展示了它们的价值，表明它们有潜力显著提高LR EEG的空间分辨率。

本文旨在提出一种新的方法，使用扩散模型实现从低分辨率（LR）脑电图（EEG）重建高分辨率（HR）EEG，以提高EEG的空间分辨率。同时，该方法还可应用于癫痫患者的分类和源定位任务。

本文提出了一种名为STADMs的新方法，它使用扩散模型实现从LR EEG到HR EEG的空间SR重建。该方法包括一个空间-时间条件模块和一个多尺度Transformer去噪模块，利用多尺度卷积块和交叉注意力扩散Transformer块进行条件引导，生成主体自适应SR EEG。

本文的实验结果表明，STADMs有效提高了LR EEG的空间分辨率，并在定量上优于现有方法。此外，该方法还应用于癫痫患者的分类和源定位任务，证明其潜力可以显著提高LR EEG的空间分辨率。

最近的相关研究包括使用深度学习方法进行EEG图像超分辨率重建的研究，如基于生成对抗网络（GAN）的方法和基于卷积神经网络（CNN）的方法。