SeizFt:可解释机器学习用于使用可穿戴设备检测发作

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 的监测依赖于精确的发作检测.
• 可穿戴的脑电图 (EEG) 设备提供持续的数据收集.
• 现有的发作检测方法往往缺乏解释性和概括能力.

研究的目的:

• 开发和评估SeizFt,一个新的,可解释的机器学习框架,用于自动发作检测.
• 通过使用可穿戴EEG数据来提高发作检测的准确性并减少错误警报.
• 提高发作检测模型对EEG变异的概括性和弹性.

主要方法:

• 利用里叶变换 (FT) 替代品用于数据增强和类平衡.
• 使用一组决策树 (CatBoost分类器) 来对EEG时代进行分类.
• 提取了有意义的特征,包括三角形和 teta 波,和碎形维度.

主要成果:

• 在ICASSP 2023的发作检测大挑战中,SeizFt获得了第一名.
• 性能优于最先进的模型,总分为40.15 (OVLP和EPOCH指标).
• 与下一个最佳方法相比,表现出显著的改善 (~30%),错误报警减少到最低.

结论:

• SeizFt为使用可穿戴EEG的发作检测提供了一个准确和可解释的解决方案.
• 该框架显示了实时,持续的监测和个性化医疗的潜力.
• 确定了关键的预测特征,可以为未来的发作检测算法开发提供信息.