Цифровой прорыв. Хакактон 2024.

Описание кейса

Сегодня фундаментальная и клиническая наука рассматривает сон как сложный физиологический процесс, который обеспечивает протекание процессов восстановления организма. Структура сна здорового человека хорошо известна. Большинство системных заболеваний сопровождаются нарушением структуры сна. Анализ сна и его нарушений является ключевым элементом в диагностике и прогнозировании различных психических и нервных заболеваний. Изучение структуры сна позволяет не только диагностировать существующие расстройства, но и предсказывать их развитие. Существует тесная взаимосвязь между патогенезом генерализованных эпилепсий и нарушениями сна на уровне таламо-кортикальной системы. Крысы WAG/Rij являются надежной моделью абсанс-эпилепсии человека и широко используются в доклинических исследованиях. Участникам хакатона предлагается создать программный модуль для распознавания фазы глубокого сна и промежуточной фазы сна по данным электрокортикограмм у крыс WAG/Rij, используемых в доклинических исследованиях абсанс-эпилепсии.

Используемый стек

pandas, numpy, sklearn, tensorflow CNN, LSTM, Ансамблирование

Итоговое решение

Структура репозитория

• /data - исходные, частично размеченные данные от организаторов
• cnnmodel.ipynb - Лучшая получившаяся модель с точностью 0.92
• ensemble_classification.ipynb - Модель ансамбля на HGBR, CatBoost и XGB_Model с решающей моделью логистической регрессии
• feature_generating.py and feature_generator.ipynb - Генерация параметров по временным рядам
• load_data.py and read_dataset.ipynb - Чтение и разметка EDF данных
• model.ipynb - Версия модели однослойной BiLSTM (0.9059 accuracy)
• selected_data.csv and to_train_data.csv - Отобранные для обучения данные
• use_model.ipynb - Использование загруженной модели и проверка по метрикам
• valid_file.csv - файл на валидацию модели

References

• Metrics: https://github.com/maxto/Time-Series-Clustering
• MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG: https://arxiv.org/abs/2211.04628
• SWD-Detection-in-Humans: https://github.com/Berken-demirel/SWD_Detect
• Automatic detection of the spike-and-wave discharges in absence epilepsy for humans and rats using deep learning
• Предсказание временных рядов: PDTrans
• Алгоритм декомпозиции временных рядов: RobustSTL

Готовые решения

• https://github.com/TimeEval/evaluation-paper
• https://github.com/ikatsov/tensor-house/blob/master/smart-manufacturing/anomaly-detection-time-series.ipynb
• https://github.com/unit8co/darts
• https://github.com/thuml/Anomaly-Transformer