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

本文提出了一种新的技术，即时空自适应扩散模型（STADMs），用于从低分辨率（LR，64个或更少通道）脑电图（EEG）重建高分辨率（HR，256个通道）EEG。这种技术可以用于诊断癫痫等临床应用，提高EEG的空间分辨率。STADMs模型可以通过设计时空条件模块来提取LR EEG的时空特征，将其作为条件输入，指导扩散模型的反向去噪过程。此外，还构建了多尺度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增强了LR EEG的空间分辨率，并在定量上优于现有方法。此外，STADMs模型还将人工合成的SR EEG应用于癫痫患者的分类和源定位任务中，表明其有潜力显著提高LR EEG的空间分辨率。

本论文旨在提高低分辨率脑电图（EEG）的空间分辨率，以满足临床诊断应用的要求，同时解决高分辨率EEG设备成本高和使用场景受限等问题。

论文提出了一种基于扩散模型的方法，通过多尺度Transformer去噪模块和空间-时间条件模块实现从低分辨率EEG到高分辨率EEG的空间超分辨率重建。

论文的实验结果表明，该方法有效地提高了低分辨率EEG的空间分辨率，并在分类和癫痫患者源定位任务中展示了其潜力。此外，论文使用了公开数据集，并提供了开源代码。

与此相关的研究包括使用深度学习方法提高EEG空间分辨率的研究，如基于生成对抗网络的方法和基于卷积神经网络的方法等。