Resumen

La identificación precisa de la oscilación de alta frecuencia (HFO) es un requisito importante para la localización precisa de los focos epilépticos y el buen pronóstico de la epilepsia refractaria a los medicamentos. La exploración de un método de detección automática de alto rendimiento para las HFO puede ayudar eficazmente a los clínicos a reducir la tasa de error y a reducir la mano de obra. Debido a la limitada perspectiva de análisis y al sencillo diseño del modelo, es difícil cumplir los requisitos de la aplicación clínica mediante los métodos existentes. Por lo tanto, se propone un modelo de fusión bi-ramal de extremo a extremo para detectar automáticamente los HFO. Con la señal filtrada de paso de banda (rama de la señal) y la imagen de tiempo-frecuencia (rama TFpic) como entrada del modelo, se establecen dos redes troncales para la extracción de características profundas, respectivamente. En concreto, se diseña un modelo híbrido basado en ResNet1d y memoria a corto plazo (LSTM) para la rama de señal, que puede centrarse en las características tanto en la dimensión temporal como en la espacial, mientras que para la rama TFpic se construye una ResNet2d con un Módulo de Atención de Bloques Convolucional (CBAM), mediante el cual se presta más atención a la información útil de las imágenes TF. A continuación, las salidas de las dos ramas se fusionan para realizar una identificación automática de extremo a extremo de los HFO. Nuestro método se verifica en 5 pacientes con epilepsia intratable. En la intravalidación, el método propuesto obtuvo una alta sensibilidad del 94,62%, una especificidad del 92,7% y una puntuación F1 del 93,33%, y en la validación cruzada, nuestro método alcanzó una alta sensibilidad del 92,00%, una especificidad del 88,26% y una puntuación F1 del 89,11% de media. Los resultados muestran que el método propuesto supera a los paradigmas de detección existentes de una sola señal o de una sola estrategia de diagrama de tiempo-frecuencia. Además, el coeficiente kappa medio de los resultados del análisis visual y la detección automática es de 0,795. El método muestra una fuerte capacidad de generalización y un alto grado de coherencia con el patrón de oro mientras tanto. Por lo tanto, tiene un gran potencial para ser una herramienta de asistencia clínica.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:rama tfpic, alta sensibilidad, fin, métodos propuestos, métodos, rama de señales, información de tf, perspectiva de análisis limitada, módulo de atención de bloques, pronóstico de la droga
• Keywords:tfpic branch, high sensitivity, end, proposed methods, methods, signal branch, information of tf, limited analysis perspective, block attention module, prognosis of drug