EPIDetect: 基于视频的慢性癫痫小鼠模型抽搐发作检测用于抗癫痫药物筛选
该论文提出了一个基于 k-Nearest-Neighbors 机器学习的实时、可定制、适应性强、低成本非侵入式癫痫监测系统,通过验证和验证使用 500 个受试者,样本采样率为 178 赫兹,操作平均准确率达到 94.5%,可用于监测和评估癫痫治疗。
May, 2023
提出了一种新颖、轻量级、不显眼且得到社会接受的 EarSD 系统,通过测量用户耳后的生理信号来检测癫痫发作的起始,初步结果表明该系统可使用经典机器学习算法以高达 95.3% 的准确度检测癫痫发作。
Jan, 2024
EpiDeNet 是一种轻量级的癫痫检测网络,通过引入敏感性和特异性的交叉熵(SSWCE)损失函数,成功检测了两个不同数据集(CHB-MIT 和 PEDESITE)上的 91.16%和 92.00%的癫痫事件,仅使用四个脑电图通道。
Aug, 2023
通过引入一种名为 SETR-PKD 的新框架,我们在视频基础的癫痫发作分类方面做出了贡献,该框架能够在视频中实现隐私保护的早期发作检测。具体而言,我们的框架由两个重要组成部分构成:(1) 它基于从癫痫视频中提取的光流特征,编码了发作运动的符号学,同时保护了患者的隐私;(2) 它利用了基于 transformer 的渐进式知识蒸馏,逐渐从训练长视频样本的网络中提炼知识,直到操作短视频样本的网络。因此,我们提出的框架解决了当前方法的局限性,这些方法直接在 RGB 视频上操作癫痫发作并阻碍了实时检测,需要利用完整的视频样本进行预测。我们的 SETR-PKD 框架能够在癫痫发作只进行了一半进程时以 83.9% 的准确度实现隐私保护的强直 - 阵挛发作检测。我们的数据和代码可在此 https 链接找到。
Sep, 2023
我们提出了一种基于骨骼的时空视觉图神经网络 (STViG),用于快速、准确、及时从监控视频中自动检测癫痫发作 (READS-V)。通过与以往动作识别模型的实验结果对比,STViG 在我们收集的患者视频数据上具有更高的准确性 (误差为 5.9%) 和较低的 FLOPs (0.4G)。此外,通过结合输出概率和累积函数的决策规则,我们的 READS-V 系统实现了 5.1 秒的 EEG 起始检测延迟,比临床起始检测提前 13.1 秒,并且无误报率。
Nov, 2023
该论文介绍了使用临床脑电图数据和卷积神经网络对癫痫发作进行检测和分类的方法,由于不同年龄、健康状况和临床环境的患者数据的复杂性,使用深度学习方法取得了 0.68 和 0.67 的灵敏度和特异度,取得了显著的进展。
Mar, 2019
本研究采用七种不同的算法通过临床和人口统计学数据开发和测试机器学习模型,精确预测癫痫手术的预后,研究表明,基于机器学习的手术前的患者临床特征预测模型,能够精确地预测难治性病人的癫痫手术结果。通过挑选特征子集数据挖掘的监督分类机器学习策略可达到更好的预测效果,同时机器学习预测模型的发展为个性化医疗提供了必要的基础。
Feb, 2023
能够在低功耗边缘设备上进行准确癫痫检测的能量高效的脑神经植入装置使用了 TC-ResNet 和时间序列分析方法,并且无需先进行特征提取,同时考虑到神经植入装置的严格硬件要求。通过使用 CHB-MIT Scalp EEG Database 进行验证,32 位浮点模型以及适合硬件的 4 位定点模型在该数据集上取得了 95.28% 的准确率、92.34% 的敏感度和 0.9384 的 AUC 得分。此外,该模型的功耗使用低功耗人工智能加速器 UltraTrail 进行了测量,平均仅需要 495nW。由于低功耗消耗,该分类方法适用于低功耗可穿戴设备(如脑神经植入装置)的实时癫痫检测。
Jun, 2024
该研究提出了一种新的、综合的框架,通过评估机器学习算法在包含脑电图信号的单模神经成像数据上的表现,来预测儿科患者的癫痫发作。结果显示,深度学习算法在预测癫痫发作方面比逻辑回归和 K 最近邻更成功,循环神经网络(RNN)在精确度和 F1 分数上表现最好,长短期记忆(LSTM)在准确度上超过了 RNN,卷积神经网络(CNN)在特异度上表现最高。该研究对于卫生保健提供者在积极管理儿科患者癫痫发作方面具有重要意义,有可能改变临床实践,并改善儿科护理。
Sep, 2023
这篇论文介绍了一种基于深度学习和 P-1D-CNN 的系统,通过提出的增强方案可以有效地检测癫痫,具有 99.1%±0.9%的准确性。
Jan, 2018