Transformador Esparso Convolucional Unificado para Diagnóstico de Doenças, Monitoramento, Desenvolvimento de Medicamentos e Predição de Efeito Terapêutico a partir de Dados Brutos de EEG

A análise do eletroencefalograma (EEG) desempenha um papel indispensável nas aplicações médicas contemporâneas, abrangendo diagnóstico, monitoramento, descoberta de medicamentos e avaliação terapêutica. Este trabalho apresenta uma estrutura de aprendizado profundo de ponta a ponta, especialmente adaptada para tarefas versáteis de análise de EEG, operando diretamente sobre entradas de formas de onda brutas. O objetivo é enfrentar os desafios da engenharia manual de características e a negligência das inter-relações espaciais nas metodologias existentes. Especificamente, um módulo de atenção espacial por canal é introduzido para enfatizar as dependências intercanal críticas nos sinais de EEG por meio da agregação de estatísticas de canais e operações de perceptron multicamadas. Além disso, um codificador transformador esparso é usado para aproveitar a atenção seletiva esparsa a fim de processar eficientemente longas sequências de EEG enquanto reduz a complexidade computacional. Camadas convolucionais destiladas concatenam ainda mais as características temporais, retendo apenas os padrões significativos. Avaliado rigorosamente em conjuntos de dados chave de EEG, nosso modelo consistentemente alcançou desempenho superior em relação às abordagens atuais em tarefas de detecção e classificação. Considerando as relações espaciais e temporais em um paradigma de ponta a ponta, este trabalho facilita uma compreensão automática e versátil do EEG entre doenças, sujeitos e objetivos por meio de uma arquitetura singular porém personalizável. Validações empíricas extensivas e refinamentos arquitetônicos adicionais podem promover perspectivas mais amplas de adoção clínica.