PyHFO: Lightweight Deep Learning-powered End-to-End High-Frequency Oscillations Analysis Application
Notice bibliographique
Résumé
Abstract In the context of epilepsy studies, intracranially-recorded interictal high-frequency oscillations (HFOs) in EEG signals are emerging as promising spatial neurophysiological biomarkers for epileptogenic zones. While significant efforts have been made in identifying and understanding these biomarkers, deep learning is carving novel avenues for biomarker detection and analysis. Yet, transitioning such methodologies to clinical environments is difficult due to the rigorous computational needs of processing EEG data via deep learning. This paper presents our development of an advanced end to end software platform, PyHFO, aimed at bridging this gap. PyHFO provides an integrated and user-friendly platform that includes time-efficient HFO detection algorithms such as short-term energy (STE) and Montreal Neurological Institute and Hospital (MNI) detectors and deep learning models for artifact and HFO with spike classification. This application functions seamlessly on conventional computer hardware. Our platform has been validated to adeptly handle datasets from 10-minute EEG recordings captured via grid/strip electrodes in 19 patients. Through implementation optimization, PyHFO achieves speeds up to 50 times faster than the standard HFO detection method. Users can either employ our pre-trained deep learning model for their analyses or use their EEG data to train their model. As such, PyHFO holds great promise for facilitating the use of advanced EEG data analysis tools in clinical practice and large-scale research collaborations.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
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 ».