Atención mejorada basada en PCNN con GhostNet para la detección de convulsiones epilépticas utilizando modalidades de...

Área de la Ciencia:

• Neurología
• Aprendizaje automático
• Imágenes médicas

Sus antecedentes:

• La detección de convulsiones epilépticas es un desafío debido a las complejas características de las señales de EEG.
• Los métodos existentes de aprendizaje automático (ML) y aprendizaje profundo (DL) enfrentan limitaciones en la interpretabilidad, el modelado espacio-temporal y la generalización.

Objetivo del estudio:

• Proponer un marco híbrido paralelo convolucional-GhostNet mejorado (HPG-ESD) para una detección robusta de convulsiones.
• Aprovechar los datos multimodales de electroencefalograma (EEG) e imagen por resonancia magnética funcional (fMRI) para mejorar la detección.

Principales métodos:

• Se utilizaron datos pediátricos de EEG de cuero cabelludo y fMRI en estado de reposo de múltiples conjuntos de datos.
• Se extrajeron características espaciales, temporales y espectrales de EEG con el patrón espacial común mejorado (E-CSP).
• Se extrajeron características de fMRI utilizando incrustaciones de CNN 3D y el histograma suavizado de pirámide de gradientes orientados (S-PHOG), fusionadas dentro de un modelo híbrido paralelo convolucional-GhostNet de votación suave (S-HPCGN).

Principales resultados:

• El marco HPG-ESD logró métricas de alto rendimiento: 0,941 de precisión, 0,939 de precisión y 0,944 de sensibilidad.
• Superó a los métodos convencionales unimodales y de vanguardia para la detección de convulsiones.

Conclusiones:

• El aprendizaje multimodal que integra EEG y fMRI muestra un potencial significativo para la detección confiable de convulsiones.
• Las arquitecturas ligeras y mejoradas por atención son efectivas para la detección de convulsiones clínicamente relevantes.