An algorithm for seizure detection in rodents
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Epilepsy animal research often relies on long-term intracranial electroencephalographic (iEEG) recordings. Here, we describe an artificial neural network (ANN) algorithm for automatic detection of seizures. METHODS: The algorithm was trained on iEEG recordings of three mouse models of chronic epilepsy: (1) the pilocarpine model of epilepsy induced by status epilepticus; (2) the albumin model of seizures induced by blood-brain barrier opening; and (3) the synapsin triple knockout (STKO) model of genetic epilepsy. The iEEG signals were filtered, segmented, and underwent feature extraction to be classified by ANN. For classifier training, a dataset of seizure and non-seizure recordings was comprised and represented by 22 extracted features. Forward selection analysis was applied for the identification of an optimal feature subset. A graphical user interface was created for the simple execution of data analysis and seizure detection. System performance was assessed by analyzing over 2800 h of iEEG recordings from 15 animals. The developed system achieved a sensitivity and positive predictive value of above 98%. RESULTS: Since the development of this system in 2010, it has been used to study seizure frequency in multiple mouse and rat models of status epilepticus and post-traumatic epilepsy (compared to sham controls), as well as in young and old controls. SIGNIFICANCE: We conclude that the proposed approach is a reliable and efficient method for the automatic detection of seizures in mice and rats. PLAIN LANGUAGE SUMMARY: Epilepsy research often relies on rodent experiments involving EEG (electroencephalography) recordings. Today, most researchers still rely on manual inspection of these recordings in order to find and count seizures. This paper describes AI software for automated seizure detection in mice and rats. Over the past 15 years, this algorithm has been used in multiple studies of conditions that cause seizures.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,001 | 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 découle