Optimierung der Erkennungsgenauigkeit epileptischer Anfälle durch Merkmals-Skalierung und Dropout-Schichten

Zusammenfassung Epilepsie ist eine weit verbreitete neurologische Störung, die durch wiederkehrende Anfälle gekennzeichnet ist und erhebliche Auswirkungen auf das Leben der Betroffenen hat. Die genaue Erkennung epileptischer Anfälle ist entscheidend für die richtige Diagnose und Behandlung. Modelle des tiefen Lernens haben vielversprechende Ergebnisse bei der Verbesserung der Erkennungsgenauigkeit von Anfällen gezeigt. Allerdings bleibt die Optimierung ihrer Leistung für diese Aufgabe herausfordernd. Diese Studie präsentiert einen neuen Ansatz zur Optimierung der Erkennung epileptischer Anfälle mithilfe von Deep-Learning-Modellen. Die Studie verwendete einen Datensatz von Elektroenzephalographie (EEG)-Aufzeichnungen mehrerer Probanden und trainierte neun tiefen Lernarchitekturen mit unterschiedlichen Vorverarbeitungstechniken. Durch die Kombination eines eindimensionalen Faltungsnetzwerks (Conv1D) mit einem Long Short-Term Memory (LSTM)-Netzwerk entwickelten wir die Conv1D + LSTM-Architektur. Diese Architektur, ergänzt durch Dropout-Schichten, erreichte eine effektive Testgenauigkeit von 0,993. Die LSTM-Architektur allein erzielte eine leicht niedrigere Genauigkeit von 0,986. Zudem schnitten die bidirektionale LSTM (BiLSTM) und die Gated Recurrent Unit (GRU) Architekturen überaus gut ab, mit Genauigkeiten von 0,983 bzw. 0,984. Besonders vorteilhaft erwies sich die Standardskalierung, die die Genauigkeit sowohl von BiLSTM als auch von GRU im Vergleich zur MinMax-Skalierung erheblich verbesserte. Diese Modelle erreichten durchgängig hohe Testgenauigkeiten bei verschiedenen Prozentanteilen der Hauptkomponentenanalyse (PCA), wobei die besten Ergebnisse erzielt wurden, wenn 50 % und 90 % der Merkmale beibehalten wurden. Die Chi-Quadrat-Merkmalsauswahl verbesserte ebenfalls die Klassifikationsleistung der BiLSTM- und GRU-Modelle. Die Studie zeigt, dass unterschiedliche Deep-Learning-Architekturen unterschiedlich auf Merkmals-Skalierung, PCA und Merkmalsauswahlmethoden reagieren. Das Verständnis dieser Nuancen kann zu optimierten Modellen für die Erkennung epileptischer Anfälle führen und letztlich die Ergebnisse für Patienten und die Lebensqualität verbessern.