Epileptic seizure forecasting with wearable‐based nocturnal sleep features
Notice bibliographique
Résumé
OBJECTIVE: Non-invasive biomarkers have recently shown promise for seizure forecasting in people with epilepsy. In this work, we developed a seizure-day forecasting algorithm based on nocturnal sleep features acquired using a smart shirt. METHODS: Seventy-eight individuals with epilepsy admitted to the Centre hospitalier de l'Université de Montréal epilepsy monitoring unit wore the Hexoskin biometric smart shirt during their stay. The shirt continuously measures electrocardiography, respiratory, and accelerometry activity. Ten sleep features, including sleep efficiency, sleep latency, sleep duration, time spent in non-rapid eye movement sleep (NREM) and rapid eye movement sleep (REM), wakefulness after sleep onset, average heart and breathing rates, high-frequency heart rate variability, and the number of position changes, were automatically computed using the Hexoskin sleep algorithm. Each night's features were then normalized using a reference night for each patient. A support vector machine classifier was trained for pseudo-prospective seizure-day forecasting, with forecasting horizons of 16- and 24-h to include both diurnal and nocturnal seizures (24-h) or diurnal seizures only (16-h). The algorithm's performance was assessed using a nested leave-one-patient-out cross-validation approach. RESULTS: Improvement over chance (IoC) performances were achieved for 48.7% and 40% of patients with the 16- and 24-h forecasting horizons, respectively. For patients with IoC performances, the proposed algorithm reached mean IoC, sensitivity and time in warning of 34.3%, 86.0%, and 51.7%, respectively for the 16-h horizon, and 34.2%, 64.4% and 30.2%, respectively, for the 24-h horizon. SIGNIFICANCE: Smart shirt-based nocturnal sleep analysis holds promise as a non-invasive approach for seizure-day forecasting in a subset of people with epilepsy. Further investigations, particularly in a residential setting with long-term recordings, could pave the way for the development of innovative and practical seizure forecasting devices. PLAIN LANGUAGE SUMMARY: Seizure forecasting with wearable devices may improve the quality of life of people living with epilepsy who experience unpredictable, recurrent seizures. In this study, we have developed a seizure forecasting algorithm using sleep characteristics obtained from a smart shirt worn at night by a large number of hospitalized patients with epilepsy (78). A daily seizure forecast was generated following each night using machine learning methods. Our results show that around half of people with epilepsy may benefit from such an approach.
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 | 0,000 | 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) | 0,000 | 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 ».