DOI: https://doi.org/10.1038/s41598-023-43328-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38225340
تاريخ النشر: 2024-01-15
المؤلف: Dohyun Lee وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
في هذا البحث، يتم تقديم طريقة جديدة للتنبؤ بنوبات الصرع، مستفيدة من نموذج مدرب مسبقًا يدمج التعلم التبايني المراقب مع بنية هجينة تجمع بين الشبكات المتبقية (ResNet) وشبكات الذاكرة قصيرة وطويلة الأمد (LSTM). تتكشف المنهجية في ثلاث مراحل رئيسية: المعالجة المسبقة، التدريب المسبق، والتدريب. في البداية، يتم تحويل بيانات تخطيط الدماغ الكهربائي (EEG) إلى صور طيفية عبر تحويل فورييه قصير المدى (STFT)، مما يعالج تعقيدات إشارات EEG. تتضمن مرحلة التدريب المسبق تقنيات تعزيز البيانات، مثل تصفية النطاق الترددي وقطع الزمن، لتعزيز مجموعة البيانات، تليها تدريب نموذج ResNet باستخدام خسارة تباينية مراقبة لتعلم تمثيلات فعالة للصور الطيفية. في مرحلة التدريب النهائية، يجمع النموذج الهجين، الذي تم تهيئته بأوزان من ResNet المدرب مسبقًا، بين استخراج ميزات الصورة مع التحليل الزمني من خلال LSTM، مما يحسن دقة التنبؤ.
تُثبت فعالية الطريقة المقترحة باستخدام مجموعات بيانات من CHB-MIT ومستشفى جامعة سيول الوطنية (SNUH)، مع نتائج تشير إلى أداء متفوق مقارنة بالطرق التقليدية. على وجه التحديد، حقق النموذج دقة بنسبة 91.90%، وحساسية بنسبة 89.64%، ومعدل إيجابيات خاطئة (FPR) قدره 0.058 على مجموعة بيانات CHB-MIT، بينما حققت مجموعة بيانات SNUH دقة بنسبة 83.37%، وحساسية بنسبة 79.89%، وFPR قدره 0.131. تؤكد النتائج على إمكانية النموذج في تعزيز التنبؤ بالنوبات، وهو أمر حاسم لتحسين جودة الحياة للأفراد المصابين بالصرع، وهي حالة تؤثر على حوالي 50 مليون شخص على مستوى العالم.
نقاش
في قسم النقاش من ورقة البحث، يبرز المؤلفون تطور منهجيات التنبؤ بالنوبات، مشددين على قيود تقنيات تحليل الإشارات التقليدية عند تطبيقها على الطبيعة المعقدة وغير المنتظمة لبيانات EEG. استخدمت الدراسات السابقة طرقًا متنوعة، بما في ذلك تحليل الوضع التجريبي وتحويلات الموجات، لاستخراج الميزات من إشارات EEG، مع تصنيفات التعلم الآلي مثل آلات الدعم المتجهة (SVM) وأقرب الجيران (KNN) التي حققت نتائج واعدة. ومع ذلك، يشير المؤلفون إلى أن التنبؤ بالنوبات المحددة لكل مريض لا يزال يمثل تحديًا بسبب ندرة البيانات وتنوعها بين المرضى. لمعالجة هذه القضايا، يقترحون نهجًا جديدًا يجمع بين نموذج ResNet المدرب مسبقًا مع التعلم التبايني المراقب وشبكة LSTM، مما يعزز قدرة النموذج على التعميم من بيانات محدودة.
يستعرض المؤلفون اختيار مجموعة بياناتهم، التي تشمل مجموعات بيانات CHB-MIT وSNUH، ويناقشون آثار استخدام طرق أقطاب مرجعية مختلفة على جودة البيانات. يقومون بتنفيذ استراتيجية شاملة للمعالجة المسبقة لمعالجة عدم توازن الفئات ونقص البيانات، باستخدام تقنيات مثل تقليل العينة وزيادة العينة. يسهل تحويل بيانات EEG إلى طيفيات عبر تحويل فورييه قصير المدى (STFT) استخراج الميزات بشكل فعال. تشير النتائج إلى أن نموذجهم الهجين يحسن بشكل كبير الحساسية والنوعية في التنبؤ بالنوبات، خاصة في فترات ما قبل النوبة التي تتراوح بين 10 و15 دقيقة، مقارنة بالطرق السابقة. تؤكد النتائج على أهمية التدريب المسبق وبنية النموذج الهجين في تعزيز دقة التنبؤ، خاصة في السياقات المحددة لكل مريض.
DOI: https://doi.org/10.1038/s41598-023-43328-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38225340
Publication Date: 2024-01-15
Author(s): Dohyun Lee et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
In this research, a novel method for predicting epileptic seizures is introduced, leveraging a pre-trained model that integrates supervised contrastive learning with a hybrid architecture combining residual networks (ResNet) and long short-term memory (LSTM) networks. The methodology unfolds in three main phases: preprocessing, pre-training, and training. Initially, electroencephalography (EEG) data is converted into spectrogram images via short-time Fourier transform (STFT), which addresses the complexities of EEG signals. The pre-training phase involves data augmentation techniques, such as band-stop filtering and temporal cutout, to enhance the dataset, followed by training a ResNet model with a supervised contrastive loss to learn effective representations of the spectrogram images. In the final training phase, the hybrid model, initialized with weights from the pre-trained ResNet, combines image feature extraction with temporal analysis through LSTM, thereby improving prediction accuracy.
The effectiveness of the proposed method is validated using datasets from CHB-MIT and Seoul National University Hospital (SNUH), with results indicating superior performance compared to conventional methods. Specifically, the model achieved an accuracy of 91.90%, sensitivity of 89.64%, and a false positive rate (FPR) of 0.058 on the CHB-MIT dataset, while the SNUH dataset yielded an accuracy of 83.37%, sensitivity of 79.89%, and an FPR of 0.131. The findings underscore the model’s potential in enhancing seizure prediction, which is critical for improving the quality of life for individuals with epilepsy, a condition affecting approximately 50 million people globally.
Discussion
In the discussion section of the research paper, the authors highlight the evolution of seizure prediction methodologies, emphasizing the limitations of traditional signal analysis techniques when applied to the complex and irregular nature of EEG data. Previous studies have utilized various methods, including empirical mode decomposition and wavelet transforms, to extract features from EEG signals, with machine learning classifiers like Support Vector Machines (SVM) and K-Nearest Neighbors (KNN) yielding promising results. However, the authors note that patient-specific seizure prediction remains challenging due to data scarcity and variability across patients. To address these issues, they propose a novel approach that combines a pre-trained ResNet model with supervised contrastive learning and an LSTM network, enhancing the model’s ability to generalize from limited data.
The authors detail their dataset selection, which includes the CHB-MIT and SNUH datasets, and discuss the implications of using different reference electrode methods on data quality. They implement a comprehensive pre-processing strategy to tackle class imbalance and data insufficiency, employing techniques such as undersampling and oversampling. The transformation of EEG data into spectrograms via Short-Time Fourier Transform (STFT) facilitates effective feature extraction. The results indicate that their hybrid model significantly improves sensitivity and specificity in seizure prediction, particularly in the 10 and 15-minute pre-ictal periods, compared to previous methods. The findings underscore the importance of pre-training and the hybrid model architecture in enhancing prediction accuracy, particularly in patient-specific contexts.