Predicting stroke severity with a 3-min recording from the Muse portable EEG system for rapid diagnosis of stroke
Notice bibliographique
Résumé
Abstract In this study, we demonstrated the use of low-cost portable electroencephalography (EEG) as a method for prehospital stroke diagnosis. We used a portable EEG system to record data from 25 participants, 16 had acute ischemic stroke events, and compared the results to age-matched controls that included stroke mimics. Delta/alpha ratio (DAR), (delta + theta)/(alpha + beta) ratio (DBATR) and pairwise-derived Brain Symmetry Index (pdBSI) were investigated, as well as head movement using the on-board accelerometer and gyroscope. We then used machine learning to distinguish between different subgroups. DAR and DBATR increased in ischemic stroke patients with increasing stroke severity (p = 0.0021, partial η 2 = 0.293; p = 0.01, partial η 2 = 0.234). Also, pdBSI decreased in low frequencies and increased in high frequencies in patients who had a stroke (p = 0.036, partial η 2 = 0.177). Using classification trees, we were able to distinguish moderate to severe stroke patients and from minor stroke and controls, with a 63% sensitivity, 86% specificity and accuracy of 76%. There are significant differences in DAR, DBATR, and pdBSI between patients with ischemic stroke when compared to controls, and these effects scale with severity. We have shown the utility of a low-cost portable EEG system to aid in patient triage and diagnosis as an early detection tool.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».