AI-Driven Neurodiagnostics: A Scalable Framework for EEG Anomaly Detection Using a Distributed-Delay Neural Mass Model
Notice bibliographique
Résumé
The integration of biophysically grounded neural simulations with Artificial Intelligence (AI) has the potential to transform clinical neurodiagnostics by overcoming the inherent challenges of limited pathological EEG datasets. We present a novel AI-driven framework that leverages a Distributed-Delay Neural Mass Model (DD-NMM) to generate synthetic EEG signals replicating both healthy and pathological brain states. Through systematic parameter tuning and domain-specific data augmentation, we enrich the diversity of simulated signals, enabling robust anomaly detection using machine learning techniques. Our approach integrates supervised classification and unsupervised one-class anomaly detection, achieving over 95% accuracy in synthetic tests and over 89% when applied to empirical EEG data from epilepsy patients and healthy volunteers. By providing an engineered solution that bridges computational neuroscience with AI, this framework enhances early seizure detection, adaptive neurofeedback, and brain-computer interface applications. Our results demonstrate that theory-driven simulation, combined with state-of-the-art machine learning, can address critical gaps in medical AI, significantly advancing clinical neuroengineering.Clinical relevance- This study provides a scalable and interpretable AI-driven method for EEG anomaly detection, which can support clinicians in identifying seizure patterns and other neurological disorders with high accuracy. The integration of computational neuroscience with AI-based diagnostics offers a potential pathway for early intervention and personalized neurotherapeutic strategies.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».