Enhancing Automated Patient Detection and Tracking in Epilepsy Monitoring Unit Videos
Notice bibliographique
Résumé
Continuous patient monitoring using automated algorithms has the potential to reduce risks associated with seizures by accelerating interventions. Video monitoring offers a practical alternative; however, seizure detection algorithms could learn to associate incidental events with seizure activity, introducing biases during both the training and the testing phases. By incorporating patient tracking into seizure detection algorithms, patients can be isolated within video frames, reducing biases and improving specificity. As no existing object detection models are pre-trained to identify patients as unique class of individuals, a YOLOv8 model was fine-tuned using 1,590 manually labeled frames from 131 patients admitted to our epilepsy monitoring unit, capturing daily activities, seizures, and body occlusions in both daytime and nighttime. Hyperparameter optimization was performed using a grid-search with a five-fold cross-validation on the training and validation set (85% of the data), while 15% was reserved as a held-out test set. Data were split on a patient-wise basis to prevent data leakage across patients. Additionally, a novel post-processing pipeline for videos was developed to further improve performances. The fine-tuned model achieved 97.6% recall and 96.8% precision, detecting patients under diverse conditions. The post-processing pipeline was evaluated on four new seizure videos, correcting 577 out of 580 misclassified or missed detections in these videos. Combined with the novel post-processing step, the proposed pipeline offers a promising tool for enhancing video-based seizure detection.Clinical relevance- This approach reduces misattributions in video-based seizure detection, leading to more reliable, biasfree monitoring. Thus, it enables faster and more accurate interventions, improving patient safety.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».