Epilepsie, eine chronische nicht-kommunizierbare neurologische Störung, beeinflusst signifikant Menschen aller Altersgruppen. Globale Statistiken zeigen, dass etwa 50 Millionen Menschen an Epilepsie leiden, was sie zu einer der häufigsten neurologischen Störungen weltweit macht. Der Einsatz von Elektroenzephalogramm (EEG) Signalen, die mit einem Elektrodenplatzierungsschema auf der Kopfhaut erfasst werden, ist unerlässlich, um Aktivitäten in verschiedenen Hirnregionen aufzuzeichnen. EEG-Signale können Schädigungen im Gehirn aufdecken und zur Erforschung neuronaler Aktivitätsmuster im Zusammenhang mit Gehirnerkrankungen genutzt werden. Aufgrund der hohen räumlichen und zeitlichen Korrelation von EEG-Signalen ist die Verwendung von Deep Learning-Techniken, insbesondere Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN), von entscheidender Bedeutung für die Epilepsieerkennung und -klassifizierung.
Die Implementierung von DL-Techniken ermöglicht es automatisch diskriminerende Merkmale aus rohen EEG-Daten zu erlernen, anstatt auf manuell erstellte Merkmale angewiesen zu sein. Die Anwendung von Graph Convolutional Networks (GCN) in der Erkennung und Klassifizierung von Hirnerkrankungen, einschließlich Epilepsie, hat erhebliches Potenzial gezeigt. Die Verwendung von GCN zur Behandlung von Graph-Strukturdaten in Gehirnkrankheiten wie Epilepsie rückt in den Fokus. Die Kombination eines Graph Convolutional Neural Network (GGNN) mit iterative graph learning (IDGL) in einem iterativen Prozess hat die Effektivität dieser Methoden für die Klassifizierung von epileptischen Anfällen wesentlich verbessert. Die Einführung der Focal Loss-Funktion hat die Herausforderungen der Klassenungleichgewichte in der Epilepsieklassifikation erfolgreich bewältigt.
Die Ergebnisse der Evaluation zeigen, dass der vorgestellte IGGCN-Ansatz eine überlegene Leistung bei der Klassifizierung von epileptischen Anfällen bietet, insbesondere hinsichtlich Rekalld und Weighted F1-Score. Die Optimierung des Graphs und die Integration des GGNN-Moduls in den IGGCN-Ansatz haben zu einer deutlichen Leistungsverbesserung geführt. Die Visualisierungsergebnisse auf Patientendaten und der Vergleich mit anderen Modellen unterstreichen die Überlegenheit des vorgestellten Ansatzes in der automatischen Klassifikation von Epilepsieanfällen.