一个扩展的临床EEG数据集,包含15300个自动标记的病理解码记录
Ann-Kathrin Kiessner1, Robin T Schirrmeister2, Lukas A W Gemein3
1Neuromedical AI Lab, Department of Neurosurgery, Medical Center - University of Freiburg, Faculty of Medicine, University of Freiburg, Engelbergerstr. 21, 79106 Freiburg, Germany; BrainLinks-BrainTools, IMBIT (Institute for Machine-Brain Interfacing Technology), University of Freiburg, Georges-Köhler-Allee 201, 79110 Freiburg, Germany; Autonomous Intelligent Systems, Computer Science Department - University of Freiburg, Faculty of Engineering, University of Freiburg, Georges-Köhler-Allee 80, 79110 Freiburg, Germany.
NeuroImage. Clinical
|August 6, 2023
概括
在更大的,自动标记的脑电图 (EEG) 数据集上训练机器学习模型可以提高EEG病理的诊断准确性. 本研究引入了一个新的,扩展的数据集 (TUABEXB),以增强深度学习模型在EEG分析中的概括性.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 医疗信息学 医疗信息学
背景情况:
- 机器学习 (ML) 用于自动化临床EEG分析是一个快速发展的领域.
- 像Temple大学医院异常EEG体 (TUAB) 这样的现有数据集对于强大的ML模型概括而言,其大小有限.
- 在更大的,自动标记的EEG数据集上进行培训对深度神经网络性能的影响仍然未得到充分研究.
研究的目的:
- 创建和评估一个更大的,自动标记的数据集,用于EEG病理解码.
- 调查培训对这一新数据集的影响,与现有的TUAB数据集对深度卷积神经网络 (ConvNet) 性能的影响.
- 为推进EEG机器学习研究提供开源数据集.
主要方法:
- 在医疗报告上使用基于规则的文本分类器自动生成了Temple大学医院EEG体 (TUEG) 的病理学标签.
- 创建了TUH异常扩张EEG集体 (TUABEX),其中包含15300个自动标记的录音.
- 从TUABEX.引出一个平衡子集,TUABEXB (8,879条记录),从TUABEX.
- 在TUAB和TUABEXB上训练了四个已建立的ConvNets,用于二进制EEG病理学分类.
主要成果:
- 与手动标记的TUAB数据集培训相比,在自动标记的TUABEXB数据集上的培训ConvNets导致了更高的分类准确性.
- 在TUABEXB和一些架构的原始TUAB数据集上都观察到性能改进.
- 这些发现表明,自动标记大型数据集是利用临床EEG数据的有效策略.
结论:
- 自动标记,大规模的EEG数据集可以显著提高深度学习模型用于病理检测的概括性能.
- 新创建的TUABEXB数据集为EEG机器学习社区提供了宝贵的资源.
- 这种方法有助于有效地利用大量的档案临床EEG数据用于研究和开发.
