基于个性化深度学习的前癫痫发作预测
机器学习
2024-10-10 v1
摘要
介绍：全球约有 2300 万或 30% 的脑膜电病患者患有难治性脑膜电病（DRE）。癫痫发作的不可预测性导致安全问题及社会层面的担忧，限制了 DRE 患者的生活方式。手术解决方案和基于 EEG 的解决方案昂贵、不可靠、侵入性或不实用。本研究旨在运用改进的技术和方法处理脑膜电病患者的生理数据，以预测癫痫发作发生，使其可提前两个小时，从而为 DRE 患者提供一种非侵入性、经济实惠的癫痫预测方法。方法：本研究使用 1D 卷积神经网络-双向长短期记忆网络（CNN-BiLSTM），该网络在多样化的脑膜电病患者生理数据上进行训练，以预测癫痫发作。进一步利用迁移学习来针对特定患者进行个性化和优化预测。通过可穿戴设备从既定维护的数据库中回顾性地获取临床数据，涉及约 3-5 天的 9 名脑膜电病患者。生理数据包括 54 起癫痫发作，包含心率、血容量脉冲、加速度计、体温和电皮层活性。结果与结论：使用随机抽样测试数据的通用深度学习模型在生理数据上的准确率为 91.94%。然而，这种通用深度学习模型在来自未见患者的数据上表现有所不同。当对通用模型进行患者特定数据个性化训练后，个性化模型取得了显著改善的表现，准确率最高可达 97%。这项初步研究表明，患者特定的个性化方法可能是实现经济实惠、非侵入性癫痫预测、改善 DRE 患者生活质量的可行方法。
引用
@article{arxiv.2410.05491,
title = {Pre-Ictal Seizure Prediction Using Personalized Deep Learning},
author = {Shriya Jaddu and Sidh Jaddu and Camilo Gutierrez and Quincy K. Tran},
journal= {arXiv preprint arXiv:2410.05491},
year = {2024}
}