Un marco basado en transformador con aumento de datos para la detección robusta de ataques a través de grabaciones...

Área de la Ciencia:

• La neurociencia
• Aprendizaje automático
• Ingeniería biomédica

Sus antecedentes:

• La epilepsia afecta a más de 50 millones de personas en todo el mundo, lo que requiere una detección fiable de las convulsiones.
• Los modelos actuales de aprendizaje automático luchan con la generalización y la traducción intermodal entre el monitoreo invasivo y no invasivo de la epilepsia.
• La conexión entre la investigación invasiva y la práctica clínica para la detección de convulsiones sigue siendo un desafío importante.

Objetivo del estudio:

• Desarrollar un modelo de detección de convulsiones robusto y generalizable utilizando un marco basado en Transformer.
• Permitir la aplicabilidad transversal entre señales neurofisiológicas invasivas y no invasivas.
• Superar las limitaciones de los marcos de aprendizaje automático existentes en la investigación de la epilepsia.

Principales métodos:

• Propuso un marco basado en el transformador para el análisis de extremo a extremo de las señales neurofisiológicas brutas.
• Estrategias de aumento de datos implementadas (muestreo secuencial, aleatorio contiguo, aleatorio no contiguo) para manejar el desequilibrio de clase y la variabilidad temporal.
• Incorpora un mecanismo de atención agnóstico de canal para la robustez en diferentes configuraciones de electrodos.

Principales resultados:

• Se logró una precisión > 99% en la detección de patrones de convulsiones a partir de grabaciones del hipocampo de rata en diferentes modelos de epilepsia.
• Resiliencia demostrada con un alto rendimiento (98,7% de puntuación F1) incluso con solo 2 canales.
• Validado en electroencefalografía humana (EEG), logrando un 99,1% de recuerdo y un 90,4% de precisión a pesar de las limitaciones del EEG.

Conclusiones:

• El marco de Transformer elimina la ingeniería de características manuales, lo que permite una adaptación intermodal robusta de la investigación invasiva a la práctica clínica no invasiva.
• La eficiencia y escalabilidad del modelo apoyan el monitoreo de convulsiones en tiempo real y la neuromodulación de circuito cerrado.
• El trabajo futuro incluye la integración con biomarcadores hemodinámicos y la optimización para el despliegue en tiempo real.