Epileptisten kohtauksien automaattinen tunnistaminen kaksiulotteisessa EEG-piirreavaruudessa
Bibliographic record
Abstract
Epileptinen kohtaus on neurologinen häiriötila, joka ilmenee aivojen epänormaalina sähköisenä toimintana. Joihinkin kohtauksiin liittyy ulkoisia merkkejä, kuten lihaskouristuksia. Kohtauksia, joihin ei liity selkeitä ulkoisia merkkejä, kutsutaan ei-konvulsiiviksi. Ne voidaan tunnistaa vain seuraamalla aivojen sähköistä toimintaa. Ei-konvulsiivisten kohtauksien on osoitettu olevan erityisen yleisiä tehohoitopotilailla - myös sellaisilla potilailla, joilla ei ole aiemmin ollut kohtauksia. Epileptinen kohtaus on pikaista interventiota vaativa vakava tila. Aivosähkökäyrällä (elektroenkefalografia, EEG) voidaan tutkia aivojen sähköistä toimintaa. Datan läpikäynti käsin on aikaavievää, joten tehohoitoon sopivalle, automaattiselle ja reaaliaikaiselle analyysimenetelmälle on suuri tarve. Tässä diplomityössä esitellään kolme menetelmää, jotka soveltuvat signaalipiirteiden evoluution seuraamiseen. Kultakin EEG-kanavalta määritetään kaksi piirrettä: hetkellinen taajuus ja signaalin teho. Ensimmäinen menetelmä mittaa piirreavaruuteen muodostuvan polun pituutta aikatasossa. Toinen menetelmä vertaa kutakin piirreavaruudessa otettua askelta edellisiin askeliin. Kolmannessa menetelmässä määritetään dynaamisesti edellisistä piirrevektoreista konveksi kuori ja tutkitaan kuoren ulkopuolelle osuvia piirrevektoreita. Kolmas menetelmä osoittautui tutkimuksessa parhaaksi. Menetelmällä pystyttiin tunnistamaan 11 tietokannan 19:sta kohtauksista kärsineestä potilaasta. Tietokannassa on EEG-mittauksia 179 tehohoitopotilaalta. Suurin osa vääristä detektioista johtui EEG:ssä näkyvästä lihastoiminnasta, artefaktoista tai alkeellisesta tunnistuslogiikasta. Menetelmän todellista suorituskykyä on liian aikaista arvioida. Menetelmää pitää täydentää EEG-piikit sekä artefaktat luotettavasti tunnistavilla algoritmeilla.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.008 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".