초록
우리는 전문가들이 시각적 점수화 과정에서 적극적으로 적용하는 제약 조건을 포함한 단일 채널 EEG에 대한 생성 모델을 제안합니다. 이 프레임워크는 잠재 변수와 관찰 우도 모두에 깊이를 가진 동적 베이지안 네트워크의 형태를 취하며, 숨겨진 변수들은 지속 시간, 상태 전이, 그리고 견고성을 제어하고, 관찰 아키텍처들은 정규-감마 분포(Normal-Gamma distribution)를 매개변수화합니다. 결과적으로 이 모델은 확률 모델과 딥 러닝을 활용하여 시간 시리즈를 국소적인, 반복되는 역학 체제로 분할할 수 있습니다. 일반적인 검출기들과 달리, 우리의 모델은 사전 처리(예: 필터링, 윈도잉, 임계값 설정)나 사후 처리(예: 이벤트 병합) 없이 원시 데이터(다운샘플링까지 포함)를 그대로 사용합니다. 이는 실시간 응용 프로그램에 대한 모델의 매력을 높이는 동시에 알려진 임상 기준과 유사한 해석 가능한 하이퍼파라미터를 제공합니다. 우리는 동적 프로그래밍과 역전파(backpropagation)을 통해 Generalized Expectation Maximization의 특수 경우로서 정확하고 계산 가능한 추론 알고리즘을 도출합니다. 우리는 세 개의 공개 데이터셋에서 모델을 검증하고, 더 복잡한 모델들이 최신 검출기를 능가하면서도 투명성, 감사 가능성(auditability), 그리고 일반화 가능성을 유지할 수 있음을 지원하는 증거를 제공합니다.