基于深度学习的一般性发作检测,使用手腕佩戴的加速度计

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:

• 发作 (CSs) 存在重大风险,需要可靠的检测方法.
• 目前的发作检测严重依赖于手动观察或复杂的EEG设置.
• 使用可穿戴传感器进行自动检测,为持续监控提供了可扩展的解决方案.

研究的目的:

• 开发和验证一种深度学习算法,用于自动检测泛性或双边发作 (CSs).
• 将这个算法集成到现货智能手表中,用于现实世界的应用.
• 为了实现可调节的灵敏度,以实现个性化的管理.

主要方法:

• 一项前性多中心研究,涉及384名视频脑电图 (vEEG) 监测的患者.
• 使用手腕穿戴的3D加速仪数据作为集体基于卷积神经网络 (CNN) 的输入.
• 在独立数据集上训练并评估了"Episave"模型,重点是通过量子聚合对加速度计振幅和可调节的灵敏度.

主要成果:

• 在一个独立的测试组中,Episave模型实现了96%的灵敏度和低误报率 (<1/8天).
• 在60%的聚合量度下观察到最佳性能,在交叉验证中产生98%的灵敏度.
• 平均检测延迟时间为26秒,其中一个错过的发作归因于传感器阻塞.

结论:

• 应用到单传感器加速度计数据的深度学习显示了CS检测的高性能.
• 开发的算法提供可调节的灵敏度,适应个体患者的需求.
• 这项技术有可能集成到智能手表中,增强监测和患者护理.