域调整用于基于EEG的跨主体发作预测
Imene Jemal1,2,3, Lina Abou-Abbas2,3, Khadidja Henni2,3
1Centre EMT, Institut National de la Recherche Scientifique, Montréal, QC, Canada.
Frontiers in neuroinformatics
|February 19, 2024
概括
预测发作对于患者的安全至关重要. 这项研究引入了深度学习模型,通过处理数据变化来提高不同患者的预测准确度.
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:
- 预测发作对于患者的安全和预防并发症至关重要.
- 患者特异型模型在数据变化方面扎,限制了概括.
- 现有的方法在应用于新患者时往往会失败,原因是患者之间的数据差异.
研究的目的:
- 开发能够处理患者数据变化的深度学习模型,以改善预测.
- 引入新的跨学科和多学科预测模型,以提高概括性.
- 研究域调整技术,以提高跨学科模型的性能.
主要方法:
- 开发了多主体深度学习模型,包括来自多名患者的数据.
- 适应神经网络架构,用于跨主体的预测.
- 应用和评估了三个领域适应方法,以提高跨学科模型性能.
主要成果:
- 多主体模型在CHB-MIT和SIENA数据集上表现出比现有方法更好的性能.
- 跨主体预测模型在对未见过的患者进行概括时面临挑战.
- 域调整显著提高了模型准确性,在CHB-MIT上提高了10.30%,在SIENA上提高了7.4%.
结论:
- 深度学习模型,特别是具有域调整的模型,对一般性发作预测充满希望.
- 多主体和跨主体方法比纯粹针对患者的方法提供了更好的概括性.
- 进一步研究领域适应是有必要的,以克服跨学科的预测挑战.
更多相关视频
08:20Brain Source Imaging in Preclinical Rat Models of Focal Epilepsy using High-Resolution EEG Recordings
Published on: June 6, 2015
15.3K
10:23Equipment Setup and Artifact Removal for Simultaneous Electroencephalogram and Functional Magnetic Resonance Imaging for Clinical Review in Epilepsy
Published on: June 23, 2023
1.9K
