新生儿癫痫发作是一种通常遇到的神经系统条件。它们是严重神经障碍的第一个临床迹象。因此,需要快速识别和治疗以防止严重的死亡。在神经学领域中使用脑电图(EEG)允许精确地诊断几种医疗条件。然而,解释EEG信号需要高度专业人员的注意,因为婴儿脑在新生儿期间发育不起。检测癫痫发作可能会妨碍对婴儿的神经认知发展的负面影响。近年来,使用机器学习算法的新生儿癫痫发作检测已经获得牵引力。由于需要在癫痫发作检测的情况下对生物信号进行计算廉价的生物信号,因此本研究提供了一种基于机器学习(ML)的架构,其与以前的模型相当的预测性能,但具有最小级别配置。拟议的分类器在赫尔辛基大学医院录制的尼古尔缉获量的公共数据数据上进行了培训和测试。我们的架构实现了87%的最佳敏感性,比本研究中选择的标准ML型号的6%增加了6%。 ML分类器的模型大小优化为仅为4.84 kB,最小预测时间为182.61毫秒,从而使其部署在可穿戴的超边设备上,以便快速准确,并避免基于云的需求和其他这种穷举计算方法。
translated by 谷歌翻译