Redes de atención de gráficos para la detección de epilepsia a partir de señales de EEG utilizando hardware accesible...

Área de la Ciencia:

• La neurociencia es la neurociencia.
• La inteligencia artificial es inteligencia artificial.
• Tecnología médica Tecnología médica.

Sus antecedentes:

• El diagnóstico de la epilepsia es un reto en los países de bajos ingresos debido a la escasez de neurólogos y los altos costos de las herramientas de diagnóstico.
• Existe la necesidad de métodos de detección de epilepsia accesibles y asequibles, especialmente en entornos con recursos limitados.

Objetivo del estudio:

• Desarrollar y evaluar un marco de aprendizaje profundo basado en gráficos para la detección de la epilepsia utilizando hardware de electroencefalografía (EEG) de bajo costo.
• Asegurar una evaluación automática justa y accesible y proporcionar explicabilidad para los biomarcadores de la epilepsia.
• Adaptar modelos de aprendizaje profundo para grabaciones de EEG de baja fidelidad y permitir el despliegue en dispositivos de baja potencia.

Principales métodos:

• La electroencefalografía modelada (EEG) muestra las señales como gráficos espacio-temporales.
• Utilizó redes de atención de gráficos (GAT) para clasificar señales e identificar relaciones entre canales y dinámicas temporales.
• Adaptó GAT para analizar los bordes de los gráficos para biomarcadores de conectividad y desarrolló una arquitectura ligera para su implementación en dispositivos Raspberry Pi.

Principales resultados:

• Logró un prometedor rendimiento en la clasificación de la epilepsia.
• Superó a los clasificadores estándar como el bosque aleatorio y las redes convolucionales de gráficos en precisión y robustez.
• Destacó patrones específicos de conectividad de la región frontotemporal como biomarcadores potenciales.

Conclusiones:

• Las redes de atención gráfica (GAT) muestran potencial para un apoyo diagnóstico perspicaz y escalable para la epilepsia en regiones desatendidas.
• El marco desarrollado puede allanar el camino para herramientas de neurodiagnóstico asequibles y accesibles.
• El enfoque demuestra la viabilidad de utilizar el aprendizaje profundo con EEG de bajo costo para el diagnóstico de la epilepsia en entornos de recursos limitados.