Preictal-Interictal Classification for Seizure Prediction
Notice bibliographique
Résumé
Epilepsy is one of the most prevalent neurological disorders, affecting more than 50 million people worldwide. Seizures are a common symptom of epilepsy, which manifest abruptly and cause disruption in a patient’s life. Epileptic seizures can lead to serious injury, and people with untreatable epilepsy must live with the uncertainty of the next seizure occurrence. The ability to predict the occurrence of a seizure could alleviate many of the risks people with epilepsy face. Patients would have time to take precautions to reduce the risk of injury or prevent the seizure altogether. Most of the current approaches are focused on detecting seizures when they occur. While these approaches are useful, they do not provide any lead time to take preventive measures. It is widely known that the brain activity before an actual seizure is a strong indicator of an upcoming seizure. Therefore, we approach this problem from a prediction lens, by developing a classifier that can separate the pre-seizure state from regular brain activity. Development of such a classifier with high performance will provide a lead time to take preventive measures to handle an incoming seizure. The classification model used customized convolutional neural networks trained on short-time Fourier transform images to learn features from multi-channel intracranial electroencephalography (iEEG). The model was trained on a large publicly available dataset (SWEC-ETHZ iEEG database) containing over 2500 hours of EEG data from 18 patients. We have performed these experiments on the data of 9 patients in the database with varying results, highest being an AUC of 0.86.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».