$\mathcal{S}^{3}$1DCNN: A Compact Stacked Spectral-Spatial Attention 1DCNN for Seizure Prediction with Wearables
Notice bibliographique
Résumé
Seizure prediction has become a crucial field of research that aims to improve the lives of patients with drug-resistant epilepsy by reducing their anxiety and allowing the implementation of precautionary measures. Recently, deep learning has shown remarkable advancements in epilepsy prediction. However, this progress comes with increased computational demands and memory usage, which makes it unsuitable for low-power wearable devices. This work proposes a compact stacked spectral-spatial attention 1DCNN ($S^{3}$1DCNN) leveraging the short-time Fourier transform (STFT). This model aims to enhance the interpretable ability to analyze non-stationary electroencephalography (EEG) signals, making it suitable for implementation in wearable biomedical devices. The results demonstrate that the proposed method outperforms recent state-of-the-art methods, achieving an average sensitivity of 92.1 %, an average false prediction rate (FPR) of 0.0081h, an average area under the ROC curve (AUC) of 0.980, and an estimated energy consumption of 0.21 µJ per inference on the American Epilepsy Society Seizure Prediction Challenge (AES) dataset. It demonstrates our method's promising application potential in low-power and energy-efficient wearable devices.
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) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».