校准深度学习分类器用于患者独立的脑电图发作预测

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 机器学习,特别是深度学习,在分析电脑电图 (EEG) 信号以预测发作方面表现有前途.
• 目前的方法通常依赖于随机交叉验证,这对于需要患者独立测试的临床应用来说是不够的.

研究的目的:

• 开发和评估一个校准管道,以微调深度学习模型,以预测独立患者的发作.
• 评估这种校准对患者独立的EEG数据的有效性.

主要方法:

• 实施了一个简单的校准管道,以微调深度学习模型,使用来自新患者的最小数据.
• 该程序在来自患者的两个大型EEG数据集上进行了评估.
• 在深度学习和传统机器学习算法之间进行了性能比较.

主要成果:

• 在独立患者中,校准程序显著提高了预测准确度,平均超过20%.
• 在所有测试的独立患者中,系统地观察到性能增长.
• 该方法在深度学习和基于特征的机器学习模型中都表现出有效性.

结论:

• 一种患者独立的校准方法可以提高预测的准确性,使深度学习模型更适合临床使用.
• 现实的验证方法对于比较预测算法和开发强大的医疗保健工具至关重要.
• 拟议的校准要求每名患者至少发生一次发作事件,以适应模型.