Prediction of epileptic seizures using fNIRS and machine learning
Notice bibliographique
Résumé
Research to predict epileptic seizures has been mainly focused on the analysis of electroencephalography (EEG) signals; however, recent research efforts have encouraged the use of a relatively new optical signal modality, called functional Near-Infrared Spectroscopy (fNIRS). In fNIRS, near-infrared light is injected into the scalp and the intensity of the reflected light is registered in optodes. Light absorption in hemoglobin depends on the level of blood oxygenation, which is related to brain activity. In this technique, two parameters are measured at each optode, the relative level of oxygenated hemoglobin (HbO) and the relative level of deoxygenated hemoglobin (HbR). In this work we investigated the feasibility of predicting epileptic seizures, using either fNIRS, EEG, or a combination of both signals. In one set of experiments, different implementations for epileptic seizure prediction are tested by using (1) different combinations of electrical and optical signals (EEG, HbO, HbR, EEG+HbO, EEG+HbR, HbO+HbR, EEG+HbO+HbR) and (2) two different classifiers, ( Support Vector Machine - SVM and Multi-Layer Perceptron - MLP). In the second set of experiments, seizures are predicted within a five-minute window that is moved up to 15 minutes before the start of the epileptic seizure. By computing the Positive Predictive Value (PPV) and the accuracy , it is demonstrated that fNIRS-based epileptic prediction outperforms EEG-based epileptic prediction. By using optical signals and the SVM classifier, a PPV greater than 99% and an accuracy of 100% were obtained. PPV values of 100% are also obtained when seizures are predicted up to 15 minutes in advance. Furthermore, Kernel Discriminant Analysis (KDA) is used to demonstrate that the highest separability among the classes, corresponding to different epileptic signal phases ( pre-ictal , ictal , and inter-ictal ), is achieved when fNIRS recordings are used as features for prediction. Finally, fNIRS-based epileptic seizure prediction is tested with Random Chance classifiers. In this study, we showed that fNIRS signals are an effective tool to predict epileptic seizures, even without the use of EEG signals, which are the current standard for seizure prediction.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».