优化在中发病性高频振荡的检测和基于深度学习的分类.
Tonmoy Monsoor1, Yipeng Zhang1, Atsuro Daida2
1Department of Electrical and Computer Engineering, University of California, Los Angeles, CA, USA.
概括
改进高频振荡 (HFO) 检测方法,包括深度学习,提高了手术后发作结果的预测. 这有助于确定最佳的手术目标,以获得更好的患者结果.
科学领域:
- 神经科学是一个神经科学.
- 的研究研究.
- 信号处理 信号处理
背景情况:
- 准确检测病态高频振荡 (HFO) 对于改善手术结果至关重要.
- 目前的HFO自动检测方法在灵敏度和特异性方面存在局限性.
- 深度学习 (DL) 提供了改进HFO分析的潜力.
研究的目的:
- 探索和比较病态HFO的敏感检测方法.
- 评估不同HFO检测器和基于DL的净化对预测发作结果的有用性.
- 确定手术规划中最佳的HFO检测策略.
主要方法:
- 在15名患有耐药焦点的儿童中,使用慢性内脑电图 (EEG) 分析了间接性HFO (80-500 Hz).
- 短期能量 (STE) 和蒙特利尔神经研究所 (MNI) 检测器用于HFO识别的比较.
- 应用深度学习 (DL) 模型用于病态HFO净化和与术后发作结果的相关性.
主要成果:
- 虽然MNI检测器发现了比STE更多的病态HFO,但有些被STE独家检测到.
- 由MNI和STE检测到的HFO显示了最高的峰值关联.
- 一个"欧盟"检测器,结合MNI和STE,以及DL净化,根据HFO-切除比率最好地预测术后发作结果.
结论:
- 标准的自动化HFO探测器具有不同的信号和形态特征.
- 基于深度学习的分类有效地净化了病态HFO.
- 改进的HFO检测和分类方法对于提高它们在手术中的预测价值至关重要.


