Deep learning methodes voor het interpreteren van draagbare hersenmonitoringsgegevens bij epilepsie

Geautomatiseerde detectie van aanvallen van de elektro-encefalogrammen (EEG) -signalen speelt een belangrijke rol bij de diagnose van epilepsie. Hoewel veel benaderingen hun bekwaamheid hebben getoond in het detecteren van aanvallen met een hoofdhuid-EEG, moeten ze het probleem van onvoldoende gegevens onder ogen zien, aangezien de klinische hoofdhuid-EEG-signalen duur en onhandig zijn om te verzamelen. Sinds kort bieden draagbare apparaten een veel gemakkelijkere en goedkopere manier om EEG te verzamelen en maken het daarom mogelijk om aanvallen in het dagelijks leven te volgen. Direct leren van draagbare gegevens is echter niet triviaal, omdat annotatie van draagbare gegevens vaak beperkt is omdat de grondwaarheid alleen wordt gedefinieerd op hoofdhuid-EEG. Wanneer gelabelde gegevens schaars zijn, wordt het moeilijk om een goed uitgevoerd detectiekader te trainen. Om dit probleem op te lossen, heeft dit project een geautomatiseerd raamwerk voor het detecteren van aanvallen opgezet dat gebruikmaakt van de niet-geannoteerde draagbare gegevens en beschikbare geannoteerde hoofdhuidgegevens.