2.23 Acute concussion classification with a deep neural network using only 3 EEG sensors
Notice bibliographique
Résumé
Objective To develop a clinically feasible, brain-based tool for sideline concussion classification. Design Prospective cohort study. Setting High school athletes. Participants 35 healthy control male athletes; 23 male athletes with concussion. Interventions (or Assessment of Risk Factors) N/A Outcome Measures (1) Clinical assessment of concussion by a physician with expertise in concussion using diagnostic criteria consistent with the Berlin consensus statement. (2) Assessment of symptoms using SCAT-3 or Child SCAT-3. (3) 5 minutes of raw, resting state EEG data. Main Results All of the concussed participants met the Berlin criteria and exhibited between 4 to 22 SCAT3 symptoms, at the time of testing. Using our previously trained deep learning network on 64 EEG channels, we identified the top three channels that had the highest impact on concussion classification and re-trained the network using these three channels. We found that the re-trained network classified concussion with an accuracy of 93.3% (SD=.005, 95% CI=.926, .940). All three channels were located in the occipital region of the head. Conclusions This is the first proof of concept showing that a deep learning network can be trained for concussion classification using raw, resting state data from only 3 EEG sensors. This is a critical step in developing a portable, easy to use EEG systems that can be used in a clinical setting and for sideline assessment of concussion.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».