PyHFO 2.0: An Open-Source Platform for Deep Learning–Based Clinical High-Frequency Oscillations Analysis
Notice bibliographique
Résumé
Abstract Accurate detection and classification of high-frequency oscillations (HFOs) in electroencephalography (EEG) recordings have become increasingly important for identifying epileptogenic zones in patients with drug-resistant epilepsy. However, few open-source platforms offer comprehensive and accessible tools that integrate conventional signal processing with modern deep learning approaches for biomarker analysis. We introduce PyHFO 2.0, an enhanced platform designed for automated detection, classification, and expert annotation of neural events. PyHFO 2.0 includes three commonly used detection methods: short-term energy (STE), the Montreal Neurological Institute (MNI) approach, and a Hilbert transform-based detector. For classification, the platform incorporates deep learning models for artifact rejection, spike-associated HFO (spkHFO) detection, and epileptogenic HFO (eHFO) identification. These models are integrated with the Hugging Face ecosystem for seamless loading and can be replaced with custom-trained alternatives. Furthermore, PyHFO 2.0 features an interactive annotation interface that enables clinicians and researchers to inspect, verify, and refine automated results. The platform was validated using clinical EEG datasets from both human and rodent models of epilepsy, confirming its reliability. PyHFO 2.0 aims to simplify the use of computational neuroscience tools in both research and clinical environments by combining methodological rigor with a user-friendly graphical interface. Its scalable architecture and model integration capabilities support a range of applications in biomarker discovery, epilepsy diagnostics, and clinical decision support, bridging advanced computation and practical usability.
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,010 |
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 ».