要約
私たちは、視覚的なスコアリング中に専門家が積極的に適用する制約を組み込んだ単一チャンネルEEGの生成モデルを提案します。このフレームワークは、潜在変数と観測尤度の両方に深さを持つ動的ベイジアンネットワークの形式を取ります。隠れ変数は持続時間、状態遷移、堅牢性を制御し、観測アーキテクチャはノーマル・ガンマ分布をパラメータ化します。生成されたモデルは、確率モデルと深層学習を利用して、時間系列データを局所的な再発現動的体制に分割することができます。典型的な検出器とは異なり、私たちのモデルは事前処理（例えばフィルタリング、ウィンドウ処理、閾値処理）や事後処理（例えばイベントのマージ）なしで生データ（リサンプリングまで含む）を取り扱います。これにより、リアルタイムアプリケーションへの適用が魅力的になるだけでなく、既知の臨床基準に類似した解釈可能なハイパーパラメータも得られます。私たちは動的計画法とバックプロパゲーションを通じて一般化期待最大化法の一特殊ケースとして正確かつ計算可能な推論アルゴリズムを導出しました。3つの公開データセットでの検証により、より複雑なモデルが最先端の検出器を超える能力を持ちつつ透明性、監査可能性、汎用性があることを支持しています。注：文中の「Generalized Expectation Maximization」は一般的には「一般化期待最大化法」と訳されます。「dynamic programming」は「動的計画法」、「backpropagation」は「バックプロパゲーション」と訳されます。これらの用語は日本語でも広く使用されています。