基于深度学习的癫痫发作预测中的前临期期优化
信号处理
2024-12-31 v1 人工智能
摘要
精确预测癫痫发作对于改善难治性癫痫患者的安全性和生活质量至关重要。尽管深度学习方法在使用头皮电生理信号（EEG）进行癫痫预测方面显示出有前景的性能，但仍存在 substantial 限制，阻碍其临床应用。此外，确定用于标记 EEG 片段的最佳前临期期（OPP）仍是一个挑战。本文不仅发展了一个在癫痫预测任务中具有竞争力的深度学习模型，更重要的是利用该模型演示了一种全面评估癫痫预测任务中预测性能的方法。为此，我们引入 CNN-Transformer 深度学习模型来检测前临期时空动力学，并提出一种新颖的连续输入-输出性能比（CIOPR）指标来确定 OPP。我们以主观特定的方式在19名使用开放访问 CHB-MIT 数据集的儿童患者身上进行训练和评估。使用每个患者的 OPP，我们以平均灵敏度为 99.31%、特异度为 95.34%、AUC 为 99.35%，F1-得分为 97.46%正确识别了前临期和间期段落。值得注意的是，我们的新 CIOPR 指标允许我们全面且定量地概述不同前临期期定义对预测时间、准确性、输出稳定性以及从间期到前临期状态之间转换时间的影响，并突显了在癫痫预测中必须考虑患者间和患者内变异性的重要性。
引用
@article{arxiv.2407.14876,
title = {Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction},
author = {Petros Koutsouvelis and Bartlomiej Chybowski and Alfredo Gonzalez-Sulser and Shima Abdullateef and Javier Escudero},
journal= {arXiv preprint arXiv:2407.14876},
year = {2024}
}