摘要
我们提出了一种单通道脑电图（EEG）的生成模型，该模型结合了专家在视觉评分过程中主动施加的约束条件。该框架以动态贝叶斯网络的形式呈现，其潜在变量和观测似然函数均具有深度——隐藏变量控制持续时间、状态转换和鲁棒性，而观测架构则参数化正态伽玛分布（Normal-Gamma distributions）。通过利用概率模型和深度学习，所得到的模型可以将时间序列分割为局部、重复出现的动力学模式。与传统的检测器不同，我们的模型直接使用原始数据（最多进行重采样），无需预处理（如滤波、窗口化、阈值化）或后处理（如事件合并）。这不仅使模型适用于实时应用，还产生了可解释的超参数，这些超参数类似于已知的临床标准。我们推导了精确且可计算的推理算法，作为广义期望最大化算法的一种特殊情况，通过动态规划和反向传播实现。我们在三个公开数据集上验证了该模型，并提供了证据支持更复杂的模型能够在透明性、可审计性和泛化能力方面超越现有最先进的检测器。