Adaptación de compuertas intrínsecas con memoria eficiente para mejorar el diagnóstico de epilepsia en dispositivos

Área de la Ciencia:

• Neurociencia
• Inteligencia Artificial
• Ingeniería Biomédica

Sus antecedentes:

• El diagnóstico de la epilepsia se basa en el electroencefalograma (EEG), pero enfrenta desafíos debido a la variabilidad de los biomarcadores específicos del paciente y las limitaciones de recursos en los dispositivos de borde.
• Los modelos convencionales de aprendizaje profundo luchan por adaptarse a los biomarcadores cambiantes con el tiempo, lo que lleva a una disminución del rendimiento diagnóstico.
• El aprendizaje en el dispositivo para el diagnóstico de la epilepsia se ve obstaculizado por limitaciones computacionales y de memoria.

Objetivo del estudio:

• Introducir un marco novedoso, Memory-Efficient Intrinsic Gating Adaptation (MEIGA), para el diagnóstico de epilepsia eficiente y preciso en dispositivos de borde con recursos limitados.
• Abordar la variabilidad sesión a sesión en biomarcadores de EEG a través de redes adaptadoras ligeras para la sintonización en el dispositivo.
• Reducir el uso de memoria y la sobrecarga computacional manteniendo una alta precisión de clasificación en la detección y predicción de convulsiones.

Principales métodos:

• Preentrenamiento de un modelo con datos históricos de EEG y empleo de redes adaptadoras ligeras para una sintonización eficiente en el dispositivo.
• Utilización de la Alineación de Retroalimentación Directa (DFA) para minimizar los requisitos de memoria y computacionales.
• Evaluación del marco en los conjuntos de datos de epilepsia CHB-MIT y AES.

Principales resultados:

• MEIGA mejoró significativamente la precisión de la predicción de convulsiones del 47,88 % al 86,77 % con un mínimo de parámetros ajustables (5,05 % del backbone).
• La precisión de la detección de convulsiones aumentó del 85,06 % al 96,29 % adaptando solo el 17,40 % de la arquitectura base.
• El marco demostró un rendimiento consistente entre sujetos y escalabilidad en el conjunto de datos AES.

Conclusiones:

• MEIGA ofrece una solución eficaz para el diagnóstico de epilepsia en el mundo real en dispositivos de borde, superando las limitaciones de los modelos de aprendizaje profundo tradicionales.
• El método propuesto mejora la precisión y la eficiencia diagnóstica al adaptarse a los cambios en los biomarcadores de pacientes individuales.
• MEIGA presenta un enfoque prometedor para avanzar en sistemas de monitorización de epilepsia accesibles y fiables.