Das Forschungsvorhaben verbessert die
Zuverlässigkeit der automatischen Detektion epileptischer Anfälle in EEG Daten
von Erwachsenen durch Kombination von innovativen Methoden der
räumlich-zeitlichen Datenvorverarbeitung mit modernen Ansätzen der
Dimensionsreduktion und des Deep Learnings. Das Projektziel ist es, die
innovativen Forschungsergebnisse, die über den aktuellen Stand der Technik
hinaus gehen, in einen Software-Demonstrator zu integrieren, der in ein
kommerziell nutzbares Angebot überführt werden kann. Damit wird die Anfallsdetektion
in Klinik und Alltag erleichtert und die Behandlung von Epilepsiepatienten
verbessert.
Stiehl, Annika; Weeger, Nicolas; Uhl, Christian; Bechtold, Dominic; Ille, Nicole; Geißelsöder, Stefan (2025)
Stiehl, Annika; Weeger, Nicolas; Uhl, Christian; Bechtold, Dominic; Ille, Nicole...
2025 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) 2025.
Towards Automated EEG-Based Epilepsy Detection Using Deep Convolutional Autoencoders
DOI: 10.1109/EMBC58623.2025.11254465
Peer Reviewed
Lämmermann, Nina; Warmuth, Monika; Stiehl, Annika; Weeger, Nicolas; Ille, Nicole; Geißelsöder, Stefan; Uhl, Christian (2025)
Lämmermann, Nina; Warmuth, Monika; Stiehl, Annika; Weeger, Nicolas; Ille, Nicole...
2025 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) 2025.
Robust Dynamical Component Analysis and Initial Results of Its Application to EEG Data of Epileptic Seizures
DOI: 10.1109/EMBC58623.2025.11253626
Peer Reviewed
ORCID iD: 0000-0002-9792-0545