PySeizure：面向多样数据集的单一机器学习癫痫检测分类框架
机器学习
2025-08-12 v1 信号处理
神经元与认知
摘要
可靠的癫痫检测对于诊断和管理偏头痛至关重要，但临床工作流程仍依赖于耗时的手动 EEG 解释。尽管机器学习方法显示出前景，但现有方法往往依赖于数据集特定的优化，限制了其实际应用和可重复性。因此，我们引入一种创新的、开源机器学习框架，使其能够在多种临床数据集上实现稳健且可推广的癫痫检测。我们在两个公开可用的 EEG 数据集上评估了该方法，这两个数据集在患者人群和电极配置方面存在差异。为增强鲁棒性，该框架包含一个自动预处理管道，用于标准化数据，并采用多数投票机制，即多个模型独立评估每个 EEG 秒的最终决策。我们在每个数据集上训练、调优和评估模型，评估其跨数据集的可移植性。我们的模型在数据集内取得高绩效（CHB-MIT 的 AUC 为 0.904±0.059，TUSZ 的 AUC 为 0.864±0.060），并在尽管 EEG setups 和人群差异的情况下 demonstrate 强大的跨数据集泛化（在 CHB-MIT 上训练、在 TUSZ 上测试的 AUC 为 0.615±0.039，反之亦然为 0.762±0.175），且无需任何后处理。此外，轻微的后处理将数据集内结果提升至 0.913±0.064 和 0.867±0.058，跨数据集结果提升至 0.619±0.036 和 0.768±0.172。这些结果凸显了在多样临床环境中部署本框架的潜力以及关键考虑因素。通过使我们的 methodology 完全可重复，我们为推动 clinically 可行的、数据集无关的癫痫检测系统提供了基础。该方法具有广泛采纳的潜力，既可 complement 而非 replace 专家解释，也可加速临床集成。
引用
@article{arxiv.2508.07253,
title = {PySeizure: A single machine learning classifier framework to detect seizures in diverse datasets},
author = {Bartlomiej Chybowski and Shima Abdullateef and Hollan Haule and Alfredo Gonzalez-Sulser and Javier Escudero},
journal= {arXiv preprint arXiv:2508.07253},
year = {2025}
}