SeizureNet: um modelo para detecção robusta de crises epilépticas baseado em rede neural convolucional

A epilepsia é um distúrbio neurológico geralmente detectado por sinais de eletroencefalograma (EEG). A inspeção manual de crises epilépticas é um processo demorado e trabalhoso. Extensas abordagens automáticas de detecção foram propostas usando métodos tradicionais, que mostram boa precisão para vários problemas específicos de classificação de EEG, mas têm desempenho insatisfatório em outros. Para resolver esta questão, os autores apresentam um novo modelo, denominado SeizureNet, para detecção robusta de crises epilépticas utilizando sinais de EEG baseados em rede neural convolucional. Primeiramente, utilizam duas redes neurais convolucionais para extrair características invariantes ao tempo de sinais de EEG de canal único. Em seguida, uma camada totalmente conectada é empregada para aprender características de alto nível. Finalmente, essas características são fornecidas a uma camada softmax para classificação. Eles avaliaram o modelo em um banco de dados de referência fornecido pela Universidade de Bonn e adotaram uma abordagem de validação cruzada de dez vezes. O modelo proposto alcançou uma precisão de 98,50–100,00% na classificação de não-crises e crises, 97,00–99,00% na classificação de saudáveis, interictais e ictais, e 95,84% na classificação entre estados de EEG de cinco classes.