MLSPred-bench:将脑电图 (EEG) 数据集转化为机器学习准备的发作预测基准

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
• 数据科学数据科学数据科学

背景情况:

• 由于数据注释要求,发作预测比检测更复杂.
• 现有的脑电图 (EEG) 数据集主要支持发作检测,缺乏预测所需的前和间阶段注释.
• 开发有效的预测模型需要专门的,ML-ready数据集.

研究的目的:

• 引入MLSPred-Bench,一种用于将EEG检测数据集转换成适用于预测的格式的新方法.
• 为培训和验证预测模型生成全面的ML准备基准.
• 促进用于预测发作的先进计算模型的开发.

主要方法:

• 设计和开发了MLSPred-Bench方法来处理注释的EEG数据以检测发作.
• 从长时间的EEG记录中提取了前声和间声段.
• 通过不同的预测地平线 (SPH) 和发生期 (SOP) 生成12个不同的ML准备基准,从而产生超过150GB的数据.

主要成果:

• 在12个基准测试中成功创建了超过150GB的ML-readyEEG数据,具有各种SPH和SOP设置.
• 使用多个机器学习 (ML) 和深度学习 (DL) 模型验证生成的基准,达到高达88.73%的准确性.
• 证明了生成的数据对训练和测试预测模型的有用性.

结论:

• MLSPred-Bench有效地将现有的EEG检测数据集转化为预测研究的有价值资源.
• 生成的基准为开发和比较预测算法提供了标准化的基础.
• 代码和材料的开源可用性鼓励该领域的更广泛的采用和合作.