Predicción y detección eficientes y precisas de convulsiones epilépticas basadas en el modelo RGF de destilación de...

Área de la Ciencia:

• Ingeniería Biomédica
• Inteligencia Artificial
• Neurología

Sus antecedentes:

• Las convulsiones epilépticas son impredecibles, lo que plantea desafíos para el monitoreo continuo.
• Los modelos actuales de aprendizaje profundo para la predicción/detección de convulsiones son computacionalmente intensivos, lo que limita la aplicación en dispositivos portátiles.
• Los altos costos computacionales y la latencia dificultan la predicción de convulsiones en tiempo real en dispositivos portátiles.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo ligero para la predicción y detección unificadas de convulsiones.
• Permitir el monitoreo de epilepsia en tiempo real en dispositivos portátiles con recursos limitados.
• Abordar las limitaciones computacionales y de latencia de los modelos de predicción de convulsiones existentes.

Principales métodos:

• Integración de la Modulación Lineal por Característica (FiLM) con la Unidad de Recurrencia con Compuerta de Búfer de Anillo (Ring-GRU) para la consistencia causal.
• Utilización de una estrategia de destilación de conocimiento multi-maestro para transferir conocimiento a un modelo estudiante ligero.
• Desarrollo del RGF-Model, un marco causal unificado para la predicción y detección de convulsiones.

Principales resultados:

• El RGF-Model demuestra una eficiencia superior en comparación con los modelos maestro de última generación en los conjuntos de datos CHB-MIT y Siena.
• Se logró un AUC del 99,54% y un FPR/h de 0,01 para la predicción, y una precisión del 98,78% para la detección en CHB-MIT.
• El modelo tiene solo 0,082 millones de parámetros, lo que reduce significativamente la complejidad y al mismo tiempo mantiene la precisión.

Conclusiones:

• El RGF-Model ofrece una solución altamente eficiente y precisa para el monitoreo de epilepsia en tiempo real.
• Esta red ligera es adecuada para su implementación en dispositivos portátiles.
• El marco causal unificado aborda eficazmente los desafíos computacionales y de latencia.