深層学習に基づくLSTMおよびCNNモデルを用いた脳波信号およびPPG信号からのてんかん発作検出

科学分野:

• 神経学
• 人工知能
• 生体医工学

背景:

• てんかんは、再発性の発作を引き起こし、生活の質に影響を与える神経学的疾患です。
• 現在の診断は脳波（EEG）モニタリングに依存していますが、リアルタイム検出には限界があります。
• 微妙なEEG署名は、発作検出を困難にする可能性があります。

研究 の 目的:

• 自動てんかん発作検出のためのハイブリッド深層学習フレームワークを開発すること。
• 検出精度を高めるために、脳波（EEG）および光電脈波（PPG）信号を統合すること。
• マルチモーダルバイオ信号を活用することで、既存の発作検出方法を改善すること。

主な方法:

• 空間パターン抽出のための畳み込みニューラルネットワーク（CNN）と時間依存性分析のための長短期記憶（LSTM）ネットワークを組み合わせたハイブリッド深層学習モデルを開発しました。
• マルチモーダルEEGおよびPPG信号を利用し、補完的な生理学的データのためにPPGを組み込みました。
• フィルタリング、正規化、セグメンテーション、拡張を含む標準的なデータ前処理技術を適用しました。

主要な成果:

• ハイブリッドCNN-LSTMモデルは、最先端の方法と比較しててんかん発作検出において優れたパフォーマンスを示しました。
• 精度、適合率、再現率、F1スコア、コーエンのカッパ、MCC、CSIを含む評価指標は、モデルの堅牢性を確認しました。
• PPG信号の組み込みは、特に微妙な発作パターンの検出において、モデルの識別能力を大幅に強化しました。

結論:

• 提案されたマルチモーダル深層学習システムは、リアルタイムてんかん発作検出のための信頼性の高い効率的なソリューションを提供します。
• このフレームワークは、継続的な患者モニタリングのためのウェアラブルデバイスや臨床ヘルスケアプラットフォームへの統合に大きな可能性を秘めています。
• マルチモーダルバイオ信号の活用は、自動発作検出システムの精度と堅牢性を向上させます。