结合频道重新排序策略和双CNN-LSTM用于使用三个iEEG数据集预测发作

科学领域:

• 计算神经科学是一种神经科学.
• 医疗信息学 医疗信息学
• 的研究研究.

背景情况:

• 脑内电脑图 (iEEG) 信号分析用于预测发作,涉及从多个记录中选择最佳通道.
• 频道组合的组合式爆炸带来了重大的计算挑战,阻碍了有效的预测模型的开发.

研究的目的:

• 为基于iEEG的预测开发一种高效的道选择策略,控制计算成本.
• 尽管有大量的iEEG频道,但在预测中保持高分类准确度.

主要方法:

• 提出了一种新的频道重新排序策略,通过CNN-LSTM模型根据个人分类性能 (F1分) 排名频道.
• 随着排名最高的频道数量的增加,iEEG信号逐渐被分析,以确定最佳的预测子集.
• 在整个频道选择过程中,双重CNN-LSTM架构被用于分类任务.

主要成果:

• 在基于事件的水平上,拟议的方法在三个iEEG数据集 (弗赖堡,SWEC-ETHZ,AES-SPC) 中表现出高性能,达到100%,100%和90.5%的灵敏度,错误预测率低.
• 基于细分的分析产生了高灵敏度,特异性,精度和AUC,具体结果包括88.1%-94.0%-93.5%-0.9101,99.1%-99.7%-99.6%-0.9935和69.2%-79.9%-78.2%-0.7373对于各自的数据集.
• 该方法表现优于随机预测器,表明其在识别相关的iEEG通道以预测发作方面的有效性.

结论:

• 开发的道重新排序策略与双重CNN-LSTM模型相结合,有效地解决了基于iEEG的发作预测中道选择的计算挑战.
• 这种方法使得精确和计算可行的发作预测,为的监测和管理提供了重大进步.