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

2024年07月03日
  • 简介
    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。
  • 图表
  • 解决问题
    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。
  • 关键思路
    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。
  • 其它亮点
    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。
  • 相关研究
    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。
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论