脳波（EEG）を用いた自動てんかん発作検出のためのマルチインスタンスアテンションとナッツクラッカー最適化を備えたチャネルトランスフォーマーベースの敵対的生成ネットワーク

科学分野:

• 神経科学
• 人工知能
• 生物医学工学

背景:

• 現在の自動発作検出方法は、非線形、非定常、患者固有のEEG信号に苦労しています。
• 既存のモデルは、広範なデータを必要とし、一般化が悪く、ノイズやチャネルの変動に敏感であり、臨床的適用性を制限しています。
• 堅牢で正確な発作検出は、てんかん管理における重要な課題であり続けています。

研究 の 目的:

• 脳波（EEG）信号からの信頼性の高い発作検出のための新しいディープラーニングモデルを開発すること。
• 既存のモデルが複雑なEEGデータを処理する上での限界を克服し、臨床的適用性を向上させること。
• 発作状態と発作間状態における自動発作検出の堅牢性と精度を向上させること。

主な方法:

• ナッツクラッカーオプティマイザー（CTGA-MinsAN-NutO）を備えたチャネルトランスフォーマーベースの敵対的生成およびマルチインスタンスアテンションネットワークが開発されました。
• 適応型ガイド付きマルチレイヤーサイドウィンドウボックスフィルター分解（AGM-LSWBFD）は、効果的な信号ノイズ除去のために採用されました。
• 多方向シェアレット変換ドメイン（MDSTD）は、EEG信号からの効率的な特徴抽出のために利用されました。

主要な成果:

• 提案されたCTGA-MinsAN-NutOモデルは、現在のベンチマークと比較して優れたパフォーマンスを示しました。
• モデルは、発作状態と発作間状態を特定する上で高い精度（99.1％）とリコール（93.5％）を達成しました。
• ボン大学とCHB-MITのデータセットでの評価により、モデルの堅牢性と有効性が確認されました。

結論:

• CTGA-MinsAN-NutOモデルは、自動発作検出において大きな進歩を提供します。
• AGM-LSWBFDとMDSTDの統合は、複雑なEEG特性を処理するモデルの能力を強化します。
• このアプローチは、てんかんの実際の臨床診断と管理を改善する可能性を示しています。