Adaptive Segmentierung von EEG verbessert maschinelles Lernen bei Anfallsdiagnose

Die Analyse von EEG‑Signalen für maschinelles Lernen erfordert die Aufteilung der kontinuierlichen Daten in handhabbare Segmente. Traditionell werden dafür feste Zeitfenster verwendet, die jedoch die dynamische Natur der Hirnaktivität nicht widerspiegeln. In einer neuen Studie wurde untersucht, ob adaptive Segmentierungsmethoden die Leistungsfähigkeit von ML‑Modellen steigern können.

Hierfür wurde die Methode CTXSEG entwickelt, die variable Segmentlängen erzeugt, die sich an statistischen Unterschieden im EEG orientieren. Damit lassen sich die Segmente anschließend in moderne ML‑Pipelines einbinden, die normalerweise feste Eingabelängen erwarten. Um die Wirksamkeit zu prüfen, wurden synthetische EEG‑Daten mit dem neuartigen Signalgenerator CTXGEN erzeugt und anschließend echte Anfallsdaten analysiert.

Die Ergebnisse zeigen, dass CTXSEG die Anfallsdiagnose im Vergleich zu herkömmlichen, festen Segmenten deutlich verbessert. Dabei wurde die Leistung in einem standardisierten Rahmenwerk bewertet, ohne das zugrunde liegende ML‑Modell zu modifizieren. Zusätzlich wurden weniger Segmente benötigt, was die Datenverarbeitung effizienter macht.

Diese Arbeit demonstriert, dass adaptive Segmentierung mit CTXSEG problemlos in aktuelle ML‑Ansätze integriert werden kann. Sie eröffnet neue Möglichkeiten, EEG‑Signale biologisch relevanter zu verarbeiten und die Genauigkeit von Diagnosen in der klinischen Praxis zu erhöhen.