Automated Sleep Spindle Analysis in Epilepsy EEG Using Deep Learning
Notice bibliographique
Résumé
Sleep spindles, together with K-complexes, are hallmark oscillatory events observed in electroencephalographic (EEG) recordings during stage N2 sleep. Alterations in spindle characteristics, including frequency, amplitude, duration, and density, are frequently reported in epilepsy and may reflect underlying disturbances in thalamocortical network function. Quantitative analysis of these alterations has the potential to improve our understanding of epileptiform activity and support the development of clinically useful biomarkers. In this work, we present an automated framework for sleep spindle analysis in EEG recordings from both healthy subjects and patients with epilepsy. The framework integrates deep learning architectures (1D U-Net, SlumberNet, and SEED) with statistical evaluation methods to address two complementary tasks: (i) spindle segmentation and (ii) direct regression-based prediction of spindle characteristics. The proposed approach was validated on two datasets: the open-access Montreal Archive of Sleep Studies (MASS) and a custom clinical database of pediatric epilepsy patients acquired at the Video-EEG Laboratory “Genomed” (Moscow, Russia). Our results demonstrate that while both convolutional and hybrid recurrent–convolutional architectures achieve comparable overall F1-scores, their precision–recall profiles differ substantially. This enables a principled, context-specific selection of models, with U-Net favoring high sensitivity and SEED favoring high precision. Moreover, we show that segmentation-based pipelines consistently outperform direct regression (segmentation-free) approaches for characteristic prediction. These findings provide methodological guidance for the optimal deployment of deep learning models in sleep spindle analysis and establish a foundation for robust, automated, and clinician-independent EEG biomarkers in epilepsy.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».