NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Pencereli elektroensefalografi (EEG) boru hatları, aynı katılımcının segmentleri hem eğitimde hem de testte meydana geldiğinde yanıltıcı olarak yüksek performans üretebilir. Bu kontaminasyonu pencere kaçağı olarak tanımlıyoruz ve klinik ve teknik olarak farklı iki kamu kohortunda test ediyoruz: 121 çocuk (61 dikkat eksikliği / hiperaktivite bozukluğu [DEHB], 60 kontrol) ve 149 yetişkin (100 Parkinson hastalığı, 49 kontrol). Sinyaller 18 ortak kanala ve 128 Hz'e uyumlu hale getirildi. Tüm birincil modellerde, her bir dış eğitim kıvrımından özel olarak çizilen katmanlı 8 katlı katılımcı-ayrık değerlendirme,% 50 overlapping pencereler, katılımcı düzeyinde olasılık toplama ve doğrulama katılımcıları kullanılmıştır. Kasıtlı olarak kirlenmiş bir Rastgele Orman denetimi, rastgele pencere ve katılımcı-ayrık bölmeye zıttı. Random-pencere dengeli doğruluk, DEHB'de% 95.59'a ve Parkinson'da% 92.02'ye ulaştı, ancak katılımcılar tutulduğunda sırasıyla% 60.98 ve% 56.17'ye düştü. Böylece enflasyon, bozukluklar, yaşlar, kayıt görevleri ve satın alma sistemleri arasında çoğaldı. Doğru değerlendirme altında, CNN-LSTM en yüksek DEHB konu düzeyinde dengeli doğruluk (%73.21) elde ederken, EEGNet en yüksek Parkinson dengeli doğruluğunu (%63.75) elde etti. Bonferroni düzeltmesinden sonra hiçbir mimarlık karşılaştırması kayda değer kalmadı. Bir, 2-, 4- ve 8'li pencereler tutarlı bir çapraz kohort sıralaması üretmedi. ATCNN-SA bileşenlerinin kaldırılması da veri kümesine bağlı değişiklikler sağladı ve düzeltmeden sonra ablasyon farkı önemli değildi. Katılımcı-bootstrap aralıkları, on binlerce pencereye rağmen geniş kaldı ve bu da çıkarımsal hassasiyetin segment sayısı yerine katılımcı sayısı tarafından yönetildiğini gösteriyor. Pencere düzeyinde rastgele bölünmeler klinik EEG performans tahminlerini kirletir ve görünmeyen bireylere genelleme yapmak için kullanılmamalıdır. Katılımcılar model uyumdan önce ayrılmalı, sonuçlar konu düzeyinde raporlanmalı ve bölünme, pencere açma, toplama ve belirsizlik prosedürleri açıkça açıklanmalıdır.
Özgün kaynak özetini okuyun
Windowed electroencephalography (EEG) pipelines can produce misleadingly high performance when segments from the same participant occur in both training and testing. We define this contamination as window leakage and test it in two clinically and technically distinct public cohorts: 121 children (61 attention-deficit/hyperactivity disorder [ADHD], 60 controls) and 149 adults (100 Parkinson's disease, 49 controls). Signals were harmonized to 18 common channels and 128 Hz. All primary models used stratified 8-fold participant-disjoint evaluation, 50%-overlapping windows, participant-level probability aggregation, and validation participants drawn exclusively from each outer-training fold. A deliberately contaminated Random Forest audit contrasted random-window and participant-disjoint splitting. Random-window balanced accuracy reached 95.59% in ADHD and 92.02% in Parkinson's, but fell to 60.98% and 56.17%, respectively, when participants were held out. Thus, the inflation replicated across disorders, ages, recording tasks, and acquisition systems. Under correct evaluation, CNN-LSTM achieved the highest ADHD subject-level balanced accuracy (73.21%), whereas EEGNet achieved the highest Parkinson's balanced accuracy (63.75%). No architecture comparison remained significant after Bonferroni correction. One-, 2-, 4-, and 8-s windows produced no consistent cross-cohort ranking. Removing ATCNN-SA components also yielded dataset-dependent changes, and no ablation difference was significant after correction. Participant-bootstrap intervals remained wide despite tens of thousands of windows, indicating that inferential precision was governed by participant count rather than segment count. Window-level random splits contaminate clinical EEG performance estimates and must not be used to claim generalization to unseen individuals. Participants should be separated before model fitting, results should be reported at subject level, and split, windowing, aggregation, and uncertainty procedures should be disclosed explicitly.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.