Clasificación del EEG epiléptico mediante Red de Transformadores de Grafos

El reconocimiento de convulsiones epilépticas basado en aprendizaje profundo a través de señales de electroencefalograma ha demostrado un considerable potencial para la práctica clínica. Aunque los algoritmos de aprendizaje profundo pueden mejorar la precisión en la identificación de la epilepsia en comparación con las técnicas clásicas de aprendizaje automático, clasificar actividades epilépticas basándose en la asociación entre señales multicanal en registros de electroencefalograma sigue siendo un desafío en la clasificación automatizada de convulsiones a partir de las señales de electroencefalograma. Además, el rendimiento de la generalización es difícil de mantener debido al hecho de que los modelos de aprendizaje profundo existentes se construyeron utilizando solo una arquitectura. Este estudio se centra en abordar este desafío utilizando un marco híbrido. Dicho de otra manera, se propuso un modelo de aprendizaje profundo híbrido, que se basa en las innovadoras arquitecturas de redes neuronales de grafos y transformadores. La arquitectura profunda propuesta consiste en un modelo de grafo para descubrir la relación interna entre señales multicanal y un transformador para revelar las asociaciones heterogéneas entre los canales. Para evaluar el rendimiento del enfoque propuesto, se realizaron experimentos comparativos en un conjunto de datos de acceso público entre los algoritmos de última generación y el nuestro. Los resultados experimentales demuestran que el método propuesto es un instrumento potencialmente valioso para la clasificación del EEG epiléptico basada en épocas.