Un nouveau CNN 3D multi-échelle avec réseau de neurones profond pour la détection des crises d'épilepsie

La détection précise et rapide de l'activité de crise pendant la surveillance EEG continue, que ce soit dans une unité de surveillance de l'épilepsie ou dans une unité de neuro-soins intensifs, est cruciale pour les médecins et le personnel paramédical. Cependant, c'est une tâche laborieuse qui nécessite une formation spéciale pour l'interprétation de l'épilepsie et de l'EEG. Afin de détecter automatiquement les crises, nous proposons un modèle 3D-CNN multi-échelle avec un réseau de neurones profond (DNN) pour la détection de crises non spécifique au patient. Nous avons considéré les caractéristiques spectrales, spatiales et temporelles. Les signaux EEG sont transformés en domaine fréquentiel à l'aide de la transformée de Fourier à court terme (STFT) pour extraire les caractéristiques spectrales. Les caractéristiques spectrales sont cartographiées sur des images 2D pour préserver la position des électrodes. Le modèle proposé est composé d'un 3D-CNN et d'une unité récurrente à portes bidirectionnelle (GRU) pour extraire les caractéristiques spatiales et temporelles des images cartographiées en 2D. Nous avons évalué le modèle proposé en utilisant les bases de données EEG scalp de CHB-MIT et de l'hôpital universitaire national de Séoul (SNUH). Notre modèle proposé atteint une sensibilité de 89,4 % et 97 % et un taux de faux positifs de 0,5/heure et 0,6/heure sur la base de données CHB-MIT et la base de données SNUH, respectivement.