用于癫痫渐进式预测的多模态无创深度学习框架
信号处理
2024-11-05 v2 人工智能
摘要
本文介绍了一种创新框架，旨在通过利用基于无创多模态传感器网络的深度学习 (DL) 方法，对癫痫进行渐进式（在时间上对发作时刻进行粒度划分）预测。癫痫是一种使人衰弱的神经系统疾病，全球估计有 6500 万人受其影响，尽管有药物干预，其中很大一部分人仍面临耐药性癫痫。为了应对这一挑战，我们提倡建立预测系统，向有风险的个体提供及时警报，使其能够采取预防措施。我们的框架采用先进的 DL 技术，并使用来自无创脑电图 (EEG) 和心电图 (ECG) 传感器网络的个性化数据，从而提高预测准确性。这些算法针对边缘设备上的实时处理进行了优化，缓解了隐私担忧，并最大限度地减少了基于云的解决方案中固有的数据传输开销，最终节省了电池能量。此外，我们的系统预测癫痫发作的倒计时时间（在发作前一小时以内以 15 分钟为间隔），为预防行动提供了关键的提前时间。我们的多模态模型在 29 名患者中平均实现了 95% 的灵敏度、98% 的特异性和 97% 的准确率。
引用
@article{arxiv.2410.20066,
title = {A Multi-Modal Non-Invasive Deep Learning Framework for Progressive Prediction of Seizures},
author = {Ali Saeizadeh and Douglas Schonholtz and Joseph S. Neimat and Pedram Johari and Tommaso Melodia},
journal= {arXiv preprint arXiv:2410.20066},
year = {2024}
}
备注
4 pages, 5 figures, Proceedings of the IEEE 20th International Conference on Body Sensor Networks (BSN), October 2024