Preictal and Interictal Recognition for Epileptic Seizure Prediction Using Pre-trained 2D-CNN Models
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
Epilepsy is a neurological disease affecting almost 1% of world population. Predicting a possible seizure will make a significant contribution to improving the quality of life of patients suffering from this disease. One of the most important steps in seizure prediction studies is the preictal activity recognition stage. In many previous studies, the preictal state was determined to end at the onset of the seizure, which makes it difficult for the physician to intervene in the patient in a possible seizure. In the proposed method, unlike previous studies, the preictal state was determined as the 30-minute interval ending 30 minutes before the onset of an epileptic seizure. The method consisted of three stages; (I) preictal and interictal activities were divided into five-second segments, (ii) the separated signals were converted into spectrograms, and (iii) the spectrogram images were classified using three different pre-trained CNN models (VGG19, ResNet, DenseNet) and the results were compared among these models. Classification was performed separately using the predetermined four EEG channels for 20 cases in the CHB-MIT dataset. The best classification accuracy value in preictal/interictal discrimination (91.05%) was obtained on channel 8 (P3-O1). An important contribution of this study was that the proposed approach provided important information about the preictal and interictal discrimination of the section 30 minutes before the onset of seizures. In addition, by examining the four channels separately, channel-based information on preictal/interictal discrimination was also obtained. Based on these results, we consider that the proposed method will bring a different perspective to seizure prediction studies.
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 | 0,001 |
| 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