P.021 Electdetect: An Artificial Neural Network for the Detection of Artifacts in intracranial EEG Recordings From Patients with Epilepsy
Notice bibliographique
Résumé
Background: Intracranial electroencephalography (iEEG) recordings are obtained from the sampling of sub-cortical structures and provide extraordinary insight into the spatiotemporal dynamics of the brain. As these recordings are increasingly obtained at higher channel counts and greater sampling frequencies, preprocessing through visual inspection is becoming untenable. Consequently, artificial neural networks (ANNs) are now being leveraged for this task. Methods: One-hour recordings from six patients diagnosed with drug-resistant epilepsy at Toronto Western Hospital were obtained alongside fiduciary ECG and EOG activity. R-wave peaks and local maxima were identified in the ECG and EOG recordings, respectively, and were time-mapped onto the iEEG recordings to delimit one-second epochs around 1.6 million cardiac and 600 thousand ocular artifacts. Epochs were then split into train-test-evaluation sets and fed into an ANN as one-second spectrograms (0 - 1,000 Hz) over 30-time steps. Results: The ANN model achieved formidable classification results on the evaluation set with an F1, positive predictive value, and sensitivity scores of 0.93. Furthermore, model architecture computed the classification probability at each time-step and enabled insight into the spatiotemporal features driving classification. Conclusions: We expect this research to promote the public sharing of new ANN from multiple institutions and enable novel automated algorithms for artifact detection in iEEG recordings.
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 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».