使用超长期皮下脑电图进行发作检测:深度学习CNN-BiLSTM方法
Sihyeong Park1, Jordan S Clark1, Pedro F Viana2,3,4
1Department of Neurology, Mayo Clinic, Rochester, Minnesota, USA.
Epilepsia
|October 7, 2025
概括
一个新的深度学习算法 (CNN-BiLSTM) 通过头皮下电脑学 (EEG) 有效地检测发作. 这种自动化方法为监测提供了高灵敏度,改进了传统技术.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗技术 医疗技术 医学技术
背景情况:
- 的超长期监测可以产生新的见解,但会产生大量的脑电图 (EEG) 数据.
- 手动审查广泛的EEG数据对于识别发作模式是不切实际的.
- 自动发作检测对于分析大型数据集和启用新的治疗策略至关重要.
研究的目的:
- 开发和验证用于自动发作检测的深度学习算法.
- 利用双通道头皮下部脑电图 (EEG) 记录来加强的监测.
- 与传统方法相比,提高发作检测的效率和准确性.
主要方法:
- 开发了一个九层卷积神经网络双向长短期记忆 (CNN-BiLSTM) 混合算法.
- 该算法处理了5分钟的光谱图,其中50%的重叠来自16名患者的回顾性脑下脑电图数据.
- 用光谱功率分类器对性能进行评估,并使用患者内训练测试方法进行比较.
主要成果:
- 在头皮和头皮下部脑电图上训练的CNN-BiLSTM算法实现了0.98的AUROC和0.50的AUPRC (94%的灵敏度,每天1.11个错误检测).
- 仅在内EEG (iEEG) 上训练的模型或仅使用头部下皮数据的前45%的模型表现较差.
- 该CNN-BiLSTM探测器的性能明显优于传统的光谱带功率探测器.
结论:
- 一个CNN-BiLSTM框架能够在双通道头皮下部EEG中进行高度敏感和特定的自动发作检测.
- 与内EEG数据相比,使用皮下EEG数据的训练产生了更高的性能.
- 增加头皮EEG发作的训练数据对算法性能有好处.
