Phase-Amplitude Coupling Features Accurately Classify Multiple Sub-States Within a Seizure Episode
Notice bibliographique
Résumé
Epilepsy is frequently characterized by convulsive seizures, which are often followed by a postictal EEG suppression state (PGES). The ability to automatically detect and monitor seizure progression and postictal state can allow for early warning of seizure onset, timely intervention in seizures themselves, as well as identification of major complications in epilepsy such as status epilepticus and sudden unexpected death in epilepsy (SUDEP). To test whether it is possible to reliably differentiate these ictal and postictal states, we investigated 52 seizure records (both intracranial and scalp EEG) from 19 patients. Phase-amplitude cross-frequency coupling was calculated for each recording and used as an input to a convolutional neural network model, achieving the mean accuracy of 0.890.09 across all classes, with the worst class accuracy of 0.73 for one of the later ictal sub-states. When the trained model was applied to SUDEP patient data, it classified seizure recordings as primarily interictal and PGES-like state (70% and 26%, respectively), highlighting the fact that in SUDEP patients seizures primarily exist in postictal states and don't show the ictal sub-state evolution. These results suggest that using frequency coupling markers with a machine learning algorithm can reliably identify ictal and postictal sub-states, which can open up opportunities for novel monitoring and management approaches in epilepsy.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 | 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 ».