Zrozumiała sztuczna inteligencja z dekompozycją pakietów falkowych do wykrywania napadów podklinicznych w niezrównoważonych zapisach elektrencefalogramu
Interpretable Machine Learning with Wavelet Packet Decomposition for Sub-clinical Seizure Detection in Imbalanced Electroencephalogram
W skrócie
[Preprint - wstępne wyniki] Badacze opracowali nową metodę do wykrywania trudno zauważalnych napadów epilepsji, które nie widać w standardowych badaniach EEG. System wykorzystuje zaawansowaną analizę matematyczną (dekompozycję falkową) i sztuczną inteligencję, aby znaleźć ukryte znaki napadów w zapisach mózgu. Metoda została przetestowana i potwierdzono, że jej wyniki są logiczne i zgodne z rzeczywistymi zmianami w mózgu pacjentów z epilepsją.
Oryginalny abstract (angielski)
Abstract Sub-clinical "video-only" seizures are frequently missed during standard electroencephalogram (EEG) monitoring due to the absence of macroscopic morphological changes and extreme class imbalance in clinical data. To address these limitations, this study proposes an automated framework utilizing a 6-level Wavelet Packet Decomposition (WPD) and logarithmic energy extraction to capture hidden high-frequency epileptiform microstates. Evaluated on a clinical focal epilepsy dataset, the Light Gradient Boosting Machine (LightGBM) trained under a data-level undersampling strategy established an unbiased decision boundary. This approach overcame the residual bias of cost-sensitive algorithmic balancing, successfully isolating the absolute minority class of sub-clinical seizures. Furthermore, SHapley Additive exPlanations (SHAP) confirmed the model's clinical validity by tracing predictions back to recognized neurophysiological biomarkers, specifically frontal-temporal topographies and Gamma/Delta rhythms. The proposed framework provides a robust and transparent solution for identifying visually imperceptible seizures in skewed real-world datasets.