Automatic seizure detection in SEEG using high frequency activities in wavelet domain
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Existing automatic detection techniques show high sensitivity and moderate specificity, and detect seizures a relatively long time after onset. High frequency (80-500 Hz) activity has recently been shown to be prominent in the intracranial EEG of epileptic patients but has not been used in seizure detection. The purpose of this study is to investigate if these frequencies can contribute to seizure detection. The system was designed using 30 h of intracranial EEG, including 15 seizures in 15 patients. Wavelet decomposition, feature extraction, adaptive thresholding and artifact removal were employed in training data. An EMG removal algorithm was developed based on two features: Lack of correlation between frequency bands and energy-spread in frequency. Results based on the analysis of testing data (36 h of intracranial EEG, including 18 seizures) show a sensitivity of 72%, a false detection of 0.7/h and a median delay of 5.7 s. Missed seizures originated mainly from seizures with subtle or absent high frequencies or from EMG removal procedures. False detections were mainly due to weak EMG or interictal high frequency activities. The system performed sufficiently well to be considered for clinical use, despite the exclusive use of frequencies not usually considered in clinical interpretation. High frequencies have the potential to contribute significantly to the detection of epileptic seizures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle