Aprendizaje auto-supervisado con modelado de gráficos adaptativos para la clasificación de ataques epilépticos...

Área de la Ciencia:

• La neurociencia
• Aprendizaje automático
• Procesamiento de señales biomédicas

Sus antecedentes:

• La clasificación de las convulsiones epilépticas a partir de las señales de EEG es un desafío debido a las complejas dependencias espacio-temporales.
• Los datos etiquetados limitados y el grave desequilibrio de clase obstaculizan el desarrollo de modelos de análisis de EEG precisos.
• Los métodos existentes luchan por capturar efectivamente la intrincada dinámica dentro de los datos EEG.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje auto-supervisado, ASGPF, para la clasificación robusta de las convulsiones basadas en EEG.
• Para abordar los desafíos de los datos etiquetados limitados y el desequilibrio de clase en la detección de ataques de EEG.
• Crear un marco de datos eficiente con potencial para aplicaciones clínicas.

Principales métodos:

• Propuso el Marco de Precapacitación Adaptativo de Gráficos Espaciales (ASGPF) que incorpora una nueva célula de aprendizaje de Gráficos Espaciales (SGLC).
• SGLC construye dinámicamente la topología EEG, extrae las características espaciales utilizando Redes Neurales de Gráficos con Puertas y captura las dependencias temporales con Unidades Recurrentes con Puertas.
• La formación preliminar de secuencia a secuencia auto-supervisada por los empleados sobre datos EEG sin etiqueta para el aprendizaje de la representación.

Principales resultados:

• ASGPF superó significativamente a los métodos de última generación en el conjunto de datos TUSZ, logrando puntuaciones F1 ponderadas del 83,8% (clase 4) y del 73,5% (clase 8).
• El modelo logró un rendimiento comparable a las líneas de base entrenadas con un 75% menos de datos cuando se utilizó solo el 25% de los datos etiquetados.
• Efectividad demostrada en escenarios de escasez de datos y desequilibrio de clases.

Conclusiones:

• ASGPF aprende efectivamente las representaciones de EEG discriminativas a través del modelado espacial-temporal adaptativo y el entrenamiento previo auto-supervisado.
• El marco permite una clasificación precisa de las incautaciones con un mínimo de datos etiquetados, destacando su eficiencia de datos.
• ASGPF muestra un gran potencial para su aplicación clínica en entornos con recursos limitados.