P.125 Discriminating sharp-wave ripples and interictal epileptiform discharges in patients with mesial temporal epilepsy using intracranial EEG recordings
Notice bibliographique
Résumé
Background: Interictal epileptiform discharges (IEDs) are known as epilepsy biomarkers for seizure detection, and It is essential for clinicians to detect them from from physiological events with similar temporal frequency characteristics. Methods: We analyzed the SEEG recordings obtained from patients with medically-resistant epilepsy (MRE) implanted with DE at the Western University Hospital Epilepsy Unit. The data were cleaned, denoised, montaged and segmented based on the clinical annotations, such as sleep intervals and observed Ictals. For event detection, the signal waveform and its power were extracted symmetrically in non-overlapping intervals of 500 ms. Each waveform’s power across all detected spikes was computed and clustered based on their energy distributions. Results: The recordings included thirteen sessions of 24 hours of extracellular recordings from two patients, with 312 hours extracted from four hippocampus electrodes anterior and posterior hippocampus. Our results indicate IEDs carrying the most different characteristics in the bands [25-75] Hz; SWR, on the other hand, are distributed between [80-170] Hz. Conclusions: Our algorithm detected and successfully distinguished IED from SWRs based on their carrying energy during non-sleep periods. Also, the most powerful spectral features that they were distinguished from occur in [15-30] Hz and [75-90] Hz.
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 | 0,001 |
| 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) | 0,002 | 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 ».