一个双阶段自动系统用于检测从头皮脑电图发射的间接性形放电

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗技术 医疗技术 医学技术

背景情况:

• 的诊断依赖于在电脑电图 (EEG) 中识别间接性形放电 (IED).
• 手动检测IED是耗时和主观的,需要自动化解决方案.

研究的目的:

• 开发和评估基于深度学习的自动系统,以从头皮EEG中可靠地检测IED.
• 在临床环境中提高EEG解释的效率和客观性.

主要方法:

• 利用了484个头皮脑电图记录,标准化并分为训练和测试.
• 训练了九个深度神经网络 (DNN) 用于IED,文物和背景活动的多重分类.
• 开发了两种基于组装的决策机制 (TMDM),与时间卷积网络 (TCN) 集成,用于IED事件确定.

主要成果:

• 在多重分类中,DNN实现了精度回忆曲线 (AUPRC) 下的平均面积>0.993.
• 集成的基于TCN的系统在IED检测方面实现了0.811的AUPRC.
• 该系统显示了0.194/分钟的错误阳性率和0.745的F1得分,其中0.905与专家注释一致.

结论:

• 开发的框架结合了基于TCN的IED探测器和TMDM,提供了一个可靠的自动IED检测系统.
• 这种自动化系统显示出有很大的潜力,可以帮助临床医生解释EEG.
• 该系统的性能表明,它是一个有价值的工具,可以提高管理的诊断准确性和效率.