Un cadre hybride CNN-transformateur intégrant une représentation temps-fréquence pour la détection des crises épileptiques à l'aide de signaux EEGA hybrid CNN transformer framework integrated with time frequency representation for epileptic seizure detection using EEG signals.
- Le cadre IIRB-HybridFormer combine CNN, LSTM et transformateur pour la détection de crises épileptiques sur EEG.
- L'utilisation de la représentation temps-fréquence améliore l'extraction de caractéristiques.
- Exactitude de 99,54% sur Bonn et 97,80% sur CHB-MIT, avec une sensibilité parfaite pour la détection par événement.
Article technique avec résultats prometteurs mais non validé cliniquement. Pertinence modérée pour la veille clinique en neuropsychologie et neurologie.
Évalué uniquement sur deux bases de données publiques (Bonn et CHB-MIT), pas sur des données cliniques variées. La généralisabilité à différents protocoles EEG et populations n'est pas démontrée. L'étude ne rapporte pas de comparaison avec des méthodes cliniques standard.
Cet article propose un nouveau cadre, IIRB-HybridFormer, combinant un CNN et un transformateur avec une représentation temps-fréquence pour détecter automatiquement les crises épileptiques à partir d'EEG. Le bloc IIRB utilise une extraction multi-branches et une structure résiduelle inversée pour une représentation efficace. LSTM est intégré au transformateur hybride pour éviter le codage positionnel. Testé sur les bases Bonn et CHB-MIT, le modèle atteint une exactitude de 99,54% et 97,80% respectivement, avec une sensibilité de 100% et un taux de fausses détections de 2,474/h pour CHB-MIT.
Le cadre IIRB-HybridFormer combine CNN, LSTM et transformateur pour la détection de crises épileptiques sur EEG. L'utilisation de la représentation temps-fréquence améliore l'extraction de caractéristiques. Exactitude de 99,54% sur Bonn et 97,80% sur CHB-MIT, avec une sensibilité parfaite pour la détection par événement. Le modèle est léger avec des temps d'entraînement et de test réduits par rapport aux modèles pré-entraînés existants.
Pourrait permettre une détection automatisée et rapide des crises épileptiques en milieu clinique. Réduction des faux positifs (2,474/h) utile pour les systèmes d'alerte en temps réel. Nécessite validation sur des données cliniques réelles avant déploiement.
Modéré