机构名称：
¥ 1.0
摘要：癫痫是第二大最常见的慢性神经系统疾病，其治疗往往因患者对药物没有反应而变得复杂。抗癫痫药物治疗失败通常是由于存在非癫痫性癫痫发作。区分非癫痫性癫痫发作和癫痫性癫痫发作需要对癫痫监测单元记录的脑电图 (EEG) 进行昂贵且耗时的分析。机器学习算法已用于从 EEG 中检测癫痫发作，通常使用 EEG 波形分析。我们采用了一种替代方法，使用卷积神经网络 (CNN) 和 MobileNetV2 的迁移学习来模拟癫痫病专家对 EEG 图像的真实视觉分析。来自不同医疗机构的两个癫痫监测单元的 107 名成年受试者的总共 5359 张 EEG 波形图图像被分为癫痫组和非癫痫组，以对 CNN 进行训练和交叉验证。该模型在提取训练数据的站点实现了 86.9%（曲线下面积，AUC 0.92）的准确率，在仅使用数据进行验证的另一个站点实现了 87.3%（AUC 0.94）的准确率。这项调查证明了使用 CNN 分析 EEG 绘图图像可以实现的高准确率以及该方法在 EEG 可视化软件中的稳健性，为在临床环境中使用类似方法进一步对癫痫发作进行细分奠定了基础。
DigitalCommons@TMC——德克萨斯医疗中心
主要关键词
相关文件推荐
