Classification of Pre-Clinical Seizure States Using Scalp EEG Cross-Frequency Coupling Features
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
OBJECTIVE: This work proposes a machine-learning based system for a scalp EEG that flags an alarm in advance of a clinical seizure onset. METHODS: EEG recordings from 12 patients with drug resistant epilepsy were marked by an expert neurologist for clinical seizure onset. Scalp EEG recordings consisted of 56 seizures and 9.67 h of interictal periods. Data from six patients were reserved for testing, and the rest was split into training and testing sets. A global spatial average of a cross-frequency coupling (CFC) index, , was extracted in 2 s windows, and used as the feature for the machine learning. A multistage state classifier (MSC) based on random forest algorithms was trained and tested on these data. Training was conducted to classify three states: interictal baseline, and segments prior to and following EG onset. Classifier performance was assessed using a receiver-operating characteristic (ROC) analysis. RESULTS: The MSC produced an alarm 45 16 s in advance of a clinical seizure onset across seizures from the 12 patients. It performed with a sensitivity of 87.9%, a specificity of 82.4%, and an area-under-the-ROC of 93.4%. On patients for whom it received training, performance metrics increased. Performance metrics did not change when the MSC used reduced electrode ring configurations. CONCLUSION: Using the scalp , the MSC produced an alarm in advance of a clinical seizure onset for all 12 patients. Patient-specific training improved the specificity of classification. SIGNIFICANCE: The MSC is noninvasive, and demonstrates that CFC features may be suitable for use in a home-based seizure monitoring system.
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 | 0,001 |
| 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