A deep learning approach for detecting epileptic spike in magnetoencephalography signals
Notice bibliographique
Résumé
Epilepsy is one of the most serious neurological disorders that affects people of all ages. In Canada, an average of 15,500 people discover epilepsy symptoms each year [1]. Numerous scholars have conducted extensive research in automated detection of epilepsy spike for presurgical assessment. However, the study of Magnetoencephalography (MEG) spike detection is limited to under 30 patients’ data. In this thesis, we explore a deep learning approach for detecting spike in interictal MEG recordings of up to 300 epileptic patients in an automated fashion. We evaluate the convolutional neural network architecture and long short-term memory method on both 2D images and 3D spatiotemporal MEG recordings. For 2D images, we tested a simple 3 layer Convolutional Neural Network (CNN/ConvNet) model and a transfer learning model, and achieved an accuracy of 83.12% and 82.73%, sensitivity of 91.66% and 78.52%, and specificity of 74.58% and 86.94%. For 3D spatiotemporal data, we tested the 3 dimensional CNN model and Long short-term memory (LSTM) model to get 86.04% and 83.09% in accuracy, 92.37% and 87.18% in sensitivity, and 79.69% and 78.99% in specificity. The methods show an increasing performance with larger datasets, which provide us confidence on the validity of the proposed automation technique.
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 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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».