自动检测发作基于一维级联卷积自动编码器与自适应窗口值自动检测

科学领域:

• 神经学 神经学
• 机器学习 机器学习
• 生物医学信号处理

背景情况:

• 在延长的脑电图记录中识别发作发生周期 (SOP) 对的诊断至关重要.
• 现有的用于发作检测 (ESD) 的计算机辅助诊断系统通常需要标记数据,并专注于ictal/interictal状态,限制了临床应用.
• 对ESD的监督学习方法需要广泛的手动数据标签,这构成了一个重要的瓶.

研究的目的:

• 在长期EEG记录中开发一种无监督学习框架,用于发作检测 (ESD).
• 为了能够准确地识别发作发生周期 (SOP),而不需要标记数据.
• 创建一个强大而适应性的自动化系统,用于EEG分析的临床应用.

主要方法:

• 使用1D级联卷积自编码器 (1D-CasCAE) 在EEG数据上进行无监督学习.
• 将EEG记录分为5秒的时段,并根据相关性和选择了八个信息通道.
• 采用了自适应值和移动窗口方法,以提高模型在检测异常 (ictal段) 中的稳定性.

主要成果:

• 1D-CasCAE模型有效地学习了正常的EEG模式,并使用重建错误识别了异常 (ictal段).
• 与其他异常检测方法相比,实现了优异的性能,CHB-MIT数据集的平均Gmean为98.00%和灵敏度为94.94%.
• 在典型患者中表现出高特异性 (99.60%) 和低错误阳性率 (0.0044小时-1).

结论:

• 拟议的无监督1D-CasCAE框架为自动发作检测 (ESD) 提供了一种有效的方法.
• 这种模型可以取代神经病学家手动EEG检查,提高临床环境中的效率.
• 该系统具有可变时间窗口的适应性,允许对患者特定的发作发生期 (SOP) 检测.