丁黎辉1, 2, 付立军1, 3, 杨光4, 5, 6, 万林4, 5, 常志军7
基于临床观察的行为评分仍然是筛查、诊断和评估婴儿癫痫性痉挛综合征(IESS)的金标准。准确识别痉挛发作对于临床诊断和评估至关重要。本研究提出了一种基于视频特征识别的创新性痉挛检测方法。为了有效捕捉视频中痉挛行为的时间特征,引入了非对称卷积和CBR模块。具体来说,在3D-ResNet残差块中,将较大的卷积核拆分为两个非对称3D卷积核,这些卷积核串联连接,以增强卷积层在水平和垂直方向提取局部关键特征的能力。此外,引入了3D-CBAM注意力模块,高效增强视频帧通道之间的空间相关性。为了提高模型的泛化能力,设计了一种复合损失函数,将交叉熵损失与三元组损失结合,以平衡分类需求和相似性要求。使用PLA IESS-VIDEO数据集对我们的方法进行了训练和评估,取得了90.59%的平均痉挛识别准确率、90.94%的精准率和87.64%的召回率。为了进一步验证其泛化能力,使用六个不同的患者监测视频进行外部验证,并与来自多个医疗中心的六位专家的评估结果进行对比。最终测试结果表明:我们的方法达到了0.6476的灵敏度,超过了人类专家的平均水平0.5595,同时获得了0.7219的高F1分数。这些发现对长期评估婴儿癫痫性痉挛综合征患者具有重要意义。