Transformer‑Netzwerke prognostizieren Anfälle mit über 90 % Genauigkeit

Ein neu entwickeltes, patientenadaptives Transformer‑Framework verspricht die bisher schwierig zu lösende Aufgabe der epileptischen Anfallsvorhersage aus EEG‑Aufzeichnungen zu revolutionieren. Durch die Kombination von selbstüberwachtem Lernen und individueller Feinabstimmung kann das System die komplexen, patientenspezifischen Muster im Gehirnstrom erkennen und in kurzer Zeit (30 Sekunden) eine zuverlässige Vorhersage treffen.

Der Ansatz nutzt zunächst ein selbstüberwachtes Pre‑Training, bei dem das Modell allgemeine zeitliche EEG‑Repräsentationen mittels autoregressiver Sequenzmodellierung erlernt. Anschließend erfolgt ein patientenspezifisches Fine‑Tuning, das das Modell auf die binäre Aufgabe der Anfallserkennung innerhalb eines 30‑Sekunden‑Horizonts vorbereitet.

Zur Vorbereitung der Daten werden multikanalige EEG‑Signale mit einem Rausch‑bewussten Pre‑Processing verarbeitet und anschließend in diskrete Token‑Sequenzen umgewandelt, die für die Transformer‑Architektur geeignet sind. Diese tokenisierte Darstellung ermöglicht es dem Modell, die zeitlichen Abhängigkeiten der Signale effizient zu erfassen.

In Experimenten mit dem TUH‑EEG‑Datensatz erzielte das System Validierungsgenauigkeiten von über 90 % und F1‑Scores von mehr als 0,80 für die untersuchten Patienten. Diese Ergebnisse unterstreichen die Wirksamkeit der Kombination aus selbstüberwachtem Lernen und patientenspezifischer Anpassung für die individuelle Anfallsvorhersage.

Die vorgestellte Methode markiert einen bedeutenden Fortschritt in der personalisierten Medizin für Epilepsie‑Patienten und eröffnet neue Perspektiven für frühzeitige Interventionen und verbesserte Lebensqualität.