在内脑电图睡眠数据和相关的机器学习检测方案中注释了间接性放电

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 睡眠医学 睡眠医学

背景情况:

• 间接性发性排泄 (IED) 是患者在发作之间发生的病理性脑活动.
• IED主要发生在非快速眼动 (NREM) 睡眠期间,并且与认知缺陷有关.
• 目前的IED检测方法 (视觉检查,振幅值) 缺乏标准化,先进的计算方法也无法广泛使用.

研究的目的:

• 引入一套新的,公开可用的多通道内脑电图 (iEEG) 数据数据集,其中包括专家注释的IED.
• 开发和验证用于自动化IED检测的机器学习算法.
• 提高IED检测方法的准确性和通用性.

主要方法:

• 从两个医疗中心收集过夜睡眠期间的多通道iEEG数据.
• 专家神经科医生仔细注释了分辨率低于秒的IED,包括海马和中部叶 (MTL) 区域.
• 训练了一个梯度增强机器学习模型,使用注释的iEEG数据进行自动化IED检测.

主要成果:

• 开发的机器学习模型在自动化IED检测中实现了高性能:94.4%的精度和94.3%的灵敏度.
• 该算法展示了不同个体的概括能力.
• 性能超过了领先的商业IED检测软件.

结论:

• 一个新的,专家注释的iEEG数据集和一个高性能的自动化IED检测算法现在公开了.
• 本资源促进了IED检测方法,研究和理解睡眠相关认知障碍的进步.
• 开发的算法为IED检测提供了一个标准化和准确的工具,其性能优于现有的商业解决方案.