GATs ermöglichen Epilepsie-Diagnose mit günstiger EEG-Hardware Entwicklungsländern

Epilepsie bleibt in vielen einkommensschwachen Ländern unterdiagnostiziert, weil dort nur wenige Neurologen verfügbar sind und die üblichen Diagnosegeräte teuer sind. Eine neue Studie aus dem arXiv-Repository präsentiert ein graphbasiertes Deep‑Learning‑Framework, das genau dieses Problem angeht. Durch die Nutzung von preiswerten EEG‑Sensoren aus Nigeria und Guinea‑Bissau soll die Erkennung von Epilepsie automatisiert und gleichzeitig erschwinglich werden.

Das Verfahren modelliert die EEG‑Signale als räumlich‑zeitliche Graphen. Anschließend werden sie mit Graph Attention Networks (GAT) klassifiziert, wobei die Netzwerke gezielt die Beziehungen zwischen den Kanälen und die zeitlichen Dynamiken erfassen. Um die diagnostischen Biomarker besser sichtbar zu machen, wurde die Standard‑GAT‑Architektur so angepasst, dass sie nicht nur Knoten, sondern auch Kanten analysiert. Zusätzlich wurden spezielle Vorverarbeitungsschritte entwickelt, die die niedrige Signalqualität der günstigen Hardware kompensieren.

Die Implementierung ist leichtgewichtig und wurde zunächst in Google Colab trainiert, bevor sie auf Raspberry‑Pi‑Geräten eingesetzt wurde. In Tests zeigte das System eine höhere Genauigkeit und Robustheit als ein herkömmlicher Random‑Forest‑Classifier sowie als Graph‑Convolutional‑Network. Besonders hervorzuheben sind die identifizierten Verbindungen im frontotemporalen Bereich, die als potenzielle Biomarker für Epilepsie gelten.

Die Ergebnisse unterstreichen das Potenzial von GAT‑basierten Modellen, skalierbare und erklärbare Diagnosehilfen für Epilepsie bereitzustellen. Damit ebnet die Arbeit einen Weg zu kostengünstigen, leicht zugänglichen neurodiagnostischen Werkzeugen, die insbesondere in unterversorgten Regionen von großer Bedeutung sein können.