Red convolucionaria de gráfico dinámico con convolución dilatada para la detección de ataques de epilepsia

Área de la Ciencia:

• Neurociencia e ingeniería biomédica
• Procesamiento de señales y aprendizaje automático

Sus antecedentes:

• El electroencefalograma (EEG) es crucial para medir la actividad cerebral y se ha utilizado ampliamente para la detección automatizada de ataques epilépticos.
• Los métodos existentes que utilizan Redes Neurales Convolucionales (CNN), Memoria Larga a Corto Plazo (LSTM) y Redes Convolucionales de Gráficos (GCN) se enfrentan a limitaciones debido a las suposiciones de estructura euclidiana o conectividad de gráficos fijos.

Objetivo del estudio:

• Para abordar las limitaciones en los algoritmos actuales de detección automática de convulsiones.
• Proponer una nueva red de convolución de gráficos dinámicos con convolución dilatada (DGDCN) para mejorar la detección de convulsiones basadas en EEG.

Principales métodos:

• Desarrolló una red convolucional de gráficos dinámicos con algoritmo de convolución dilatada (DGDCN).
• Empleó un mecanismo de atención espacio-temporal para construir dinámicamente una matriz de adyacencia específica de tareas para GCN.
• Integró un módulo convolucional dilatado para expandir el campo receptivo y capturar dependencias temporales de largo alcance.

Principales resultados:

• El modelo DGDCN logró valores de área bajo la curva (AUC) del 88,7% en segmentos de EEG de 12 segundos y del 90,4% en segmentos de 60 segundos.
• Desempeño competitivo demostrado en comparación con los métodos actuales de detección de incautaciones en el conjunto de datos de TUSZ.

Conclusiones:

• El modelo propuesto de DGDCN captura efectivamente las dependencias espaciales y temporales localizadas y la información temporal de largo alcance en las señales EEG.
• La construcción de gráficos dinámicos y las convoluciones dilatadas ofrecen un avance significativo en la precisión de la detección automatizada de ataques epilépticos.