Random Forest classifier for EEG-based seizure prediction

基于二次线性-抛物线模型的癫痫EEG发作检测分类

A quadratic linear-parabolic model-based classification to detect epileptic EEG seizures

两点中心差分是生物信号处理中的一种常用算法，在生理信号分析中特别有用。在本文中，我们开发了一种基于模型的分类方法来检测癫痫发作，依赖于该算法来过滤EEG信号。其基本思想是设计一个EEG滤波器，增强癫痫信号的波形。使用曲线拟合技术将滤波后的信号拟合到二次线性抛物线模型。使用四个统计参数评估模型拟合，这四个统计参数用作随机森林算法的分类特征，以区分癫痫发作和非癫痫发作事件。该方法应用于波士顿儿童医院数据库中的66个时期。结果表明，该方法实现了癫痫发作的快速准确检测，灵敏度为92%，特异性为96%，准确性为94.1%。

扩展卷积神经网络规模可在新生儿脑电图中实现专家级癫痫发作检测

Scaling convolutional neural networks achieves expert-level seizure detection in neonatal EEG

本研究通过扩大数据和模型规模，开发出达到专家级水平的新生儿EEG癫痫发作检测CNN模型，在开放数据集和独立验证集上均实现当前最优性能，为临床应用奠定基础。

基于稀疏表示分类的EEG信号癫痫发作自动识别

Automatic Identification of Epileptic Seizures from EEG Signals using Sparse Representation-based Classification

在非平稳脑电图（EEG）中识别癫痫发作活动是一项具有挑战性的任务，因为它耗时，繁重，依赖于昂贵的人力资源，并且容易出现错误和偏差。计算机化的癫痫发作识别方案可以消除上述问题，帮助临床医生和有益于癫痫研究。到目前为止，人们已经尝试开发自动系统来帮助神经生理学家准确识别癫痫发作。在这项研究中，提出了一个全自动系统，自动检测癫痫发作的各种状态。该方法是基于稀疏表示为基础的分类（SRC）理论和建议的字典学习使用脑电信号（EEG）。此外，该方法不需要额外的预处理和提取的特征，这是常见的在现有的方法。所提出的方法达到了100%的灵敏度，特异性和准确性在8个9的情况。它对高达0 dB的测量噪声也具有鲁棒性。与最先进的算法和其他常用方法相比，所提出的方法在灵敏度、特异性和准确性方面优于它们。此外，它包括最全面的癫痫发作检测场景，包括2到5类场景的不同组合。所提出的癫痫发作的自动识别方法可以减轻医疗专业人员通过视觉检查分析大量数据的负担，以及减少功能性磁共振成像（fMRI）设备和专业医生短缺的贫困社会的负担。

Continental generalization of an AI system for clinical seizure recognition

Electroencephalogram (EEG) monitoring and objective seizure identification is an essential clinical investigation for some patients with epilepsy. Accurate annotation is done through a time-consuming process by EEG specialists. Computer-assisted systems for seizure detection currently lack extensive clinical utility due to retrospective, patient-specific, and/or irreproducible studies that result in low sensitivity or high false positives in clinical tests. We aim to significantly reduce the time and resources on data annotation by demonstrating a continental generalization of seizure detectio…

癫痫患者脑内EEG的关联维数图

Correlation Dimension Maps of EEG from Epileptic Absences

目的：对大脑活动的理解，特别是对癫痫发作等事件的理解，取决于对神经网络动力学的表征。非线性动力学理论提供了信号分析技术，可以提供有关这种网络行为的新信息。方法：对3例患者共7次失神发作的19导EEG数据进行关联维数图计算。在癫痫发作之前、期间和之后分析信号。阶段随机替代数据被用来测试混沌。结果如下：在两名患者的癫痫发作中，我们可以区分大脑皮层上的两个动态区域，一个似乎表现出混乱，而另一个似乎表现出噪音。所示的模式对于由过度换气触发的癫痫发作基本相同，但对于由闪光触发的癫痫发作不同。人们似乎观察到的混沌动力学是由少量变量决定的，复杂性低。另一方面，在另一个病人的癫痫发作中，没有发现混乱的区域，在所有病例中，癫痫发作前和发作期间也没有发现混乱。结论：非线性信号分析的应用揭示了与失神发作相关的空间动力学差异的存在。这将有助于对癫痫发作的认识和临床诊断。

作为新生儿脑病稳健生物标志物的EEG低电压区间的专家级检测

Expert-level detection of low-voltage intervals in EEG as a robust biomarker of neonatal encephalopathy

本研究开发ConvNeXt模型实现EEG低电压区间（LVIs）的专家级检测，其性能优于现有方法，LVIs可作为新生儿脑病的稳健临床生物标志物，与EEG分级、HIE严重程度及癫痫风险显著相关。