Automatyczne rozpoznawanie napadów padaczkowych w ambulatoryjnym EEG z użyciem uczenia maszynowego
Automated Seizure Detection in Ambulatory EEG Using Machine Learning
W skrócie
[Preprint - wstępne wyniki] Naukowcy opracowali system oparty na sztucznej inteligencji, który automatycznie wykrywa napady padaczkowe w nagraniach EEG wykonywanych poza szpitalem. System został przeszkolony na danych od 48 pacjentów i osiągnął bardzo wysoką dokładność - prawidłowo rozpoznał napady w 99,6% przypadków, a fałszywych alarmów było bardzo mało. Taka automatyzacja mogłaby zaoszczędzić lekarzom wiele czasu poświęcanego na ręczne przeglądanie nagrań i zmniejszyć ryzyko przeoczeń.
Oryginalny abstract (angielski)
Manual review of ambulatory EEG (aEEG) for epilepsy monitoring is time-consuming, challenging due to artifacts, and prone to human error. To address this, we developed a machine learning-based automated seizure detection system. We collected 3140 hours of aEEG recordings from 48 patients, including 15 with documented seizures (88 total events). Data was preprocessed, segmented into 5-second overlapping epochs, and extracted for time and frequency domain features. A channel-wise ensemble approach combining XGBoost, CatBoost, and LightGBM was trained on 70% of the data and evaluated using 10-fold cross-validation. The model achieved high accuracy (98.4% ± 1.3%) and specificity (98.4% ± 1.3%) during training. Testing confirmed robust performance with 99.64% ± 1.3% accuracy and 99.78% ± 0.62% specificity. The average AUC was 0.94, and the false detection rate was minimal at 0.43 events per hour. The proposed ensemble machine learning framework reliably identifies seizures from aEEG data, achieving high accuracy while keeping false detections significantly low.