FCEEG: federated learning-based seizure diagnosis through electroencephalogram (EEG) analysis
Notice bibliographique
Résumé
Electroencephalography (EEG) signals are crucial for seizure diagnosis. The data provides detailed insights into brain activity which aids in epilepsy management. Artificial intelligence (AI) and deep learning are widely employed in the analysis of EEG signals to achieve promising classification performance. However, these AI models require centralized data processing, thereby raising privacy concerns. Thus, we propose FCEEG, a convolutional-based deep learning with federated learning (FL) to diagnose seizures with EEG signals while preserving data privacy. Specifically, EEG data are learned and analyzed using convolutional neural networks (CNNs) on local clients without the need to transmit the clients’ raw EEG data to the central server. The decentralized process ensures the confidentiality and integrity of these sensitive health records. This balances data privacy with a promising performance. Additionally, this research involves experimenting with the best aggregation methods for EEG signals in federated learning. The empirical results demonstrate that our proposed framework FCEEG with Federated Proximal (FedProx) aggregation method can effectively utilize diverse local EEG data from local clients to perform reliable seizure detection with a promising performance with an accuracy of 87.66%, precision of 99.95%, specificity of 99.96%, recall rate of 75.86% and F1-score of 86.25%.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».