机构名称：
¥ 1.0
摘要：这项工作提出了Seizft - 一种新型的癫痫发作检测框架，该框架利用机器学习使用可穿戴的Sensordot EEG数据自动检测癫痫发作。受到可预处的睡眠阶段的启发，我们的新方法采用了数据增强，有意义的特征提取和决策树的独特组合，以提高对脑电图变化的弹性，并提高概括以概括为看不见数据的能力。傅立叶变换（FT）替代物被用来增加样本量并改善标记的非塞兹和癫痫发作时期之间的平衡。为了增强模型稳定性和准确性，Seizft通过Catboost Classifier利用决策树的集合来将EEG记录的每一秒分类为癫痫发作或非癫痫发作。SEIZIT1数据集用于培训，SEIZIT2数据集用于验证和测试。使用两个主要指标：使用AINY-ROVERLAP方法（OVLP）和错误的警报（FA）速率（使用基于Epoch的评分（Epoch））评估了用于癫痫发作检测的模型性能。值得注意的是，Seizft在2023年2023年国际声学，言语和信号处理国际会议上（ICASSP）的癫痫发作检测挑战（ICASSP）的一系列最先进的癫痫发作检测算法（ICASSP）。seizft在准确的癫痫发作检测中优于最先进的黑盒模型，并最小化错误警报，总分获得了40.15的总分，在两个任务中结合了OVLP和时期，并且比下一个最佳方法的改善约为30％。Seizft的解释性是一个关键优势，因为它促进了医疗保健专业人员的信任和问责制。从Seizft提取的最预测性的癫痫发作检测特征是：三角波，四分位数范围，标准偏差，总绝对功率，Theta波，三角洲与Theta的比率，BINNED熵，Hjorth Complextity，Delta + Theta + Theta和Higuchi Fractal Fractal Ristermension。总而言之，将Seizft成功应用于可穿戴的Sensordot数据表明，它可能进行实时，连续监测的潜力，以改善个性化医学癫痫。
seizft：可解释的癫痫发作的机器学习
主要关键词
相关文件推荐
