一个基于变压器的框架,用于在侵袭性和非侵袭性神经记录中进行强有力的发作检测

科学领域:

• 神经科学
• 机器学习
• 生物医学工程

背景情况:

• 全球有超过5000万人患有,
• 目前的机器学习模型在侵袭性和非侵袭性监测之间存在普遍性和交叉转换问题.
• 跨越发作检测的侵入性研究和临床实践仍然是一个重大挑战.

研究的目的:

• 使用基于变压器的框架开发一个强大且可通用的检测模型.
• 为了实现侵入性和非侵入性神经生理信号的交叉应用.
• 克服研究现有机器学习框架的局限性.

主要方法:

• 提出了一个基于变压器的框架来对原始神经生理信号进行端到端的分析.
• 实施数据增强策略 (顺序,随机连续,随机非连续采样) 以处理类不平衡和时间变化.
• 整合了通道不可分的注意力机制,以在不同的电极配置中保持稳定性.

主要成果:

• 在不同模型中从老鼠海马记录中检测发作模式的准确度达到了99%.
• 即使只有2个通道,也表现出高性能的弹性 (98.7% F1分).
• 在人脑电图 (EEG) 上得到验证,尽管有EEG的局限性,但达到99.1%的回忆率和90.4%的准确性.

结论:

• 转换器框架消除了手动特征工程,使得从侵入性研究到非侵入性临床实践的强有力的跨模式适应.
• 该模型的效率和可扩展性支持实时监测和闭环神经调节.
• 未来的工作包括与血液动力学生物标志物集成,并优化可穿戴,实时部署.