使用EEG数据识别发作的机器和深度学习方法:系统性审查
Raja Mourad1, Ahmad Diab2, Zaher Merhi2
1Univ Rennes, Inserm, LTSI - UMR 1099, F-35000 Rennes, France; Signal Processing, Computer Hardware, Signals and Control Systems, Lebanese International University LIU, Tripoli, Lebanon; Signal Processing, Computer Hardware, Signals and Control Systems, International University of Beirut BIU, Beirut, Lebanon.
机器学习和深度学习提供自动化解决方案,用于从EEG数据中检测,分类和预测发作 (ES). 本综述综合了最近的进展,以提高这些人工智能驱动的发作识别系统的可靠性和临床应用.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学信号处理
背景情况:
- 影响全球数以百万计的人,诊断依赖于脑电图 (EEG).
- 手动EEG分析用于发作检测是复杂和耗时的.
- 机器学习 (ML) 和深度学习 (DL) 显示出对自动抓获识别的承诺.
研究的目的:
- 系统地审查基于EEG的发作 (ES) 识别的ML和DL方法.
- 提供检测,分类和预测任务的全面概述.
- 识别人工智能在发作识别方面的挑战和新兴趋势.
主要方法:
- 从2013-2023年对同行评审的研究进行系统审查.
- 对EEG数据应用的ML和DL方法的分析.
- 评估各种模型的性能,优势和局限性.
主要成果:
- ML和DL技术对于自动ES检测,分类和预测是有效的.
- 关键的挑战包括特征提取,数据集选择和模型概括.
- 新兴趋势包括可解释的人工智能,转移学习和联合学习.
结论:
- 人工智能驱动的方法可以提高发作识别系统的可靠性和效率.
- 弥合人工智能方法和临床应用之间的差距至关重要.
- 目前正在开发可靠和可解释的ES检测框架.
更多相关视频
11:54Simultaneous Video-EEG-ECG Monitoring to Identify Neurocardiac Dysfunction in Mouse Models of Epilepsy
Published on: January 29, 2018
06:28Author Spotlight: Unraveling Seizure Dynamics and Novel Therapeutics for Status Epilepticus Using CMOS High-Density Microelectrode Array Systems
Published on: September 27, 2024
相关概念视频
Epilepsy and Seizures: Overview
Various factors can trigger epilepsy, including genetic factors, brain damage, metabolic causes, and unknown etiology. Diagnosis of epilepsy involves electroencephalography (EEG), which...
Seizures: Classification
Seizures are typically classified into two main categories: focal and generalized seizures.
Focal Seizures
Focal seizures originate from specific regions of the brain. These seizures are further sub-classified into two types:
