https://pubmed.ncbi.nlm.nih.gov/38359446/
Resumo do Abstract: Este estudo apresenta um algoritmo baseado em aprendizado profundo que utiliza uma Rede Neural Convolucional (CNN) para detectar e prever crises epilépticas focais usando sinais ECG de uma única derivação. ==O método proposto oferece alta precisão na detecção (98,84%) e previsão (94,29%) das crises, podendo antecipá-las de um a dois minutos antes de sua ocorrência==. A abordagem permite o desenvolvimento de sistemas vestíveis portáteis para monitoramento eficaz de pacientes epilépticos, eliminando a necessidade de sinais EEG e etapas manuais de extração de características.
Abstract
Traduzido por ChatGPT
Um dos desafios dos pacientes epilépticos é detectar o momento das crises e a possibilidade de previsão. Esta pesquisa tem como objetivo fornecer um algoritmo baseado em aprendizado profundo para detectar e prever o momento da crise de um a dois minutos antes de sua ocorrência. A Rede Neural Convolucional (CNN) proposta pode detectar e prever a ocorrência de crises de epilepsia focal através do processamento de sinais ECG de uma única derivação, em vez de usar sinais de EEG. A estrutura da CNN proposta para detecção e previsão de crises é a mesma. Considerando os requisitos de um sistema vestível, após algumas etapas leves de pré-processamento, o sinal ECG pode ser usado como entrada para a rede neural sem qualquer etapa manual de extração de características. A rede neural desejada aprende características significativas de acordo com os sinais ECG rotulados e, em seguida, realiza a classificação desses sinais. O treinamento da CNN de 39 camadas para detecção e previsão de crises foi feito separadamente. O método proposto pode detectar crises com uma precisão de 98,84% e prevê-las com uma precisão de 94,29%. Com esta abordagem, o sinal ECG pode ser um indicador promissor para a construção de sistemas portáteis para monitoramento do estado de pacientes epilépticos.