Un marco neuronal multivista con atención para la clasificación de convulsiones epilépticas

Área de la Ciencia:

• Neurociencia
• Ingeniería Biomédica
• Aprendizaje Automático

Sus antecedentes:

• La epilepsia es un trastorno neurológico caracterizado por convulsiones recurrentes.
• El análisis del electroencefalograma (EEG) es crucial para el diagnóstico de convulsiones.
• La clasificación automatizada de convulsiones basada en EEG ayuda en la toma de decisiones clínicas.

Objetivo del estudio:

• Desarrollar un sistema automatizado para la clasificación de convulsiones epilépticas utilizando señales de EEG.
• Reducir la dependencia de la interpretación subjetiva de expertos en el diagnóstico de la epilepsia.
• Mejorar la precisión de la detección y clasificación automatizada de convulsiones.

Principales métodos:

• Se propuso un novedoso modelo de red neuronal multivista de banco de filtros y basado en atención (FB-AMNet).
• Se empleó un banco de filtros aprendible para la descomposición de EEG multivista en subbandas de frecuencia.
• Se utilizó convolución grupal multirramal y LSTM bidireccional con atención para la extracción de características.

Principales resultados:

• Logró una puntuación F1 general de 0.7105 y una puntuación F1 ponderada de 0.8314 en el conjunto de datos TUSZ.
• Demostró mejoras significativas sobre el método de referencia FBCNet (p < 0.05).
• Obtuvo resultados óptimos tanto en los conjuntos de datos TUSZ como CHB-MIT.

Conclusiones:

• El modelo FB-AMNet clasifica eficazmente las convulsiones epilépticas utilizando datos de EEG.
• La combinación de extracción de características multivista con modelado temporal mejorado con atención mejora el rendimiento de la clasificación.
• El método propuesto muestra una gran promesa para la aplicación clínica en el diagnóstico de la epilepsia.