An Active Dry-Contact Continuous EEG Monitoring System for Seizure Detection Applications in Clinical Neurophysiology
Notice bibliographique
Résumé
OBJECTIVE: Young children and infants, especially newborns, are highly susceptible to seizures, which, if undetected and untreated, can lead to severe long-term neurological consequences. Early detection typically requires continuous electroencephalography (cEEG) monitoring in hospital settings, involving costly equipment and highly trained specialists. This study presents a low-cost, active dry-contact electrode-based, adjustable electroencephalography (EEG) headset, combined with an explainable deep learning model for seizure detection from reduced-montage EEG, and a multimodal artifact removal algorithm to enhance signal quality. METHODS: EEG signals were acquired via active electrodes and processed through a custom-designed analog front end for filtering and digitization. The adjustable headset was fabricated using three-dimensional printing and laser cutting to accommodate varying head sizes. The deep learning model was trained to detect neonatal seizures in real time, and a dedicated multimodal algorithm was implemented for artifact removal while preserving seizure-relevant information. System performance was evaluated in a representative clinical setting on a pediatric patient with absence seizures, with simultaneous recordings obtained from the proposed device and a commercial wet-electrode cEEG system for comparison. RESULTS: Signals from the proposed system exhibited a correlation coefficient exceeding 0.8 with those from the commercial device. Signal-to-noise ratio analysis indicated noise mitigation performance comparable to the commercial system. The deep learning model achieved accuracy and recall improvements of 2.76% and 16.33%, respectively, over state-of-the-art approaches. The artifact removal algorithm effectively identified and eliminated noise while preserving seizure-related EEG features.
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) | 0,000 | 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) | 0,003 | 0,001 |
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 ».