从EEG数据中自动检测和分类发作:找到最佳获取设置并测试可解释的机器学习方法

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 自发性发作经常被错过或被错误分类.
• 深度学习 (DL) 为自动发作检测和区分提供了一个有希望的方法.
• 现有的方法需要对脑电图 (EEG) 数据进行强大而准确的分析.

研究的目的:

• 开发和评估用于准确检测和分类的DL系统.
• 调查EEG采样率和电极数量对模型性能的影响.
• 使用机器学习技术增强模型的可解释性.

主要方法:

• 开发了一个使用最高性能DL模型的系统架构.
• 不重叠窗口技术应用于TUSZ数据集.
• 用不同的EEG采样速率 (50-250Hz) 和电极数 (8-21) 分析模型性能.
• 使用了可解释的ML技术,包括激活最大化和皮质源投影.

主要成果:

• 该系统在发作检测 (87.7% Sn, 91.16% Sp) 和差异化 (95-100% Acc) 中取得了高准确性.
• 增加EEG采样率显著提高了发作检测和分化精度.
• 减少电极影响了的差异化,而不是检测,突出了各种信息价值.
• 可解释的ML证实该系统识别了生物相关的特征.

结论:

• 拟议的DL系统在检测和区分脑电图数据中的发作类型方面表现出高效.
• 脑电图采样率是可靠的DL模型培训诊断的关键因素.
• 电极选择会影响发作分化的准确性,这表明特定的电极相关性.
• 可解释的ML验证了DL模型在方面的发现的临床相关性.