侵襲的および非侵襲的ニューラルレコーディング全体で強固な発作検出のためのデータ増強付きトランスフォーマーベースのフレームワーク

科学分野:

• 神経科学
• 機械学習
• 生物医学工学

背景:

• 世界中で5千万人以上が 発作に罹患しており 発作を正確に検知することが必要です
• 現在の機械学習モデルは 侵襲的および非侵襲的なのモニタリングの 汎用性とクロスモダルトランスレーションに 苦労しています
• 発作を検出するための 侵入的研究と臨床実践を結びつけることは 依然として大きな課題です

研究 の 目的:

• トランスフォーマーベースのフレームワークを使用して,堅牢で一般化可能な発作検出モデルを開発します.
• 侵襲的および非侵襲的神経生理学的信号のクロスモダルの適用性を可能にします.
• エピレプシーの研究における既存の機械学習の枠組みの限界を克服する.

主な方法:

• 原始神経生理学的信号の端末分析のためのトランスフォーマーベースのフレームワークを提案しました.
• クラス不均衡と時間的変動に対処するためのデータ増強戦略 (連続,ランダム,連続でないランダムサンプリング) を実施.
• 異なる電極構成で堅固さを確保するためのチャネルアグノスティックな注意メカニズムを組み込みました.

主要な成果:

• 不同なエピレプシーモデルにおけるラット海馬の記録から発作パターンを検出する>99%の精度を達成した.
• 2つのチャンネルだけで高い性能 (98.7% F1スコア) を示した.
• 人体脳波 (EEG) で検証され,99%のリコールと90.4%の精度を達成した.

結論:

• トランスフォーマー・フレームワークは 手動的な機能エンジニアリングをなくし, 侵襲的な研究から非侵襲的な臨床実践への 強力なクロスモダルの適応を可能にします.
• このモデルの効率性とスケーラビリティは 発作のリアルタイムモニタリングと 閉ループの神経調節をサポートします
• 将来の作業には,血液動力学的バイオマーカーと統合し,ウェアラブル,リアルタイム展開のための最適化が含まれています.