PyHFO 2.0:一个开源平台,用于基于深度学习的临床高频振荡分析.
Yuanyi Ding1, Yipeng Zhang1, Chenda Duan1
1Department of Electrical and Computer Engineering, University of California, Los Angeles, CA, United States of America.
Journal of neural engineering
|October 8, 2025
概括
PyHFO 2.0是一个开源平台,用于分析电脑电图 (EEG) 数据中的高频振荡 (HFO). 它通过先进的检测和深度学习分类工具来增强的诊断.
科学领域:
- 计算神经科学是一种神经科学.
- 医疗信息学 医疗信息学
- 发病学 (Epileptology) 是一个专业的学科.
背景情况:
- 在电脑电图 (EEG) 中精确检测和分类高频振荡 (HFO) 对于识别耐药性的发性区域至关重要.
- 现有的开源平台往往缺乏全面的计算方法和用户友好的界面,用于实际的临床应用.
研究的目的:
- 推出PyHFO 2.0,一个增强的开源Python平台用于HFO分析.
- 整合先进的检测算法和深度学习模型,用于HFO分类,文物拒绝和发性区域识别.
主要方法:
- PyHFO 2.0 集成了三个HFO探测器:短期能量,蒙特利尔神经研究所和基于希尔伯特变换的探测器.
- 对文物拒绝和HFO分类的深度学习模型通过拥抱脸生态系统集成.
- 交互式注释模块允许手动检查,验证和重新分类检测到的事件.
主要成果:
- 所有检测和分类模块都在临床EEG数据集上得到了验证,证明了在研究和翻译环境中的适用性.
- 在多个数据集中,性能与专家注释和像RIPPLELAB这样的既定工具密切一致.
结论:
- PyHFO 2.0通过一个用户友好的界面和方法严谨,简化了计算神经科学工具的临床和研究使用.
- 该平台的架构支持生物标志物发现,诊断和临床决策支持,通过将先进的计算和实际可用性相结合.
更多相关视频
10:22Interictal High Frequency Oscillations Detected with Simultaneous Magnetoencephalography and Electroencephalography as Biomarker of Pediatric Epilepsy
Published on: December 6, 2016
21.0K
12:39High-density Electroencephalographic Acquisition in a Rodent Model Using Low-cost and Open-source Resources
Published on: November 26, 2016
16.6K
