Outlier detection in EEG signals

• Autorzy: Duraj Agnieszka , Chomątek Łukasz

Identyfikatory

DOI

10.15199/48.2023.01.48

Warianty tytułu

PL

Wykrywanie wyjątków w

• Języki publikacji: EN

Abstrakty

EN

In this paper, the topic of detection of outliers in EEG signals was discussed, which facilitates making decisions about the diagnosis of a patient based on this study. We used two methods to detect outliers: the support vector machine and the k nearest neighbors method. The experiments were performed on a publicly available dataset containing EEG test results for 500 patients. The obtained results showed that the methods we used allow for the outlier detection efficiency at the level of 93%.

PL

W niniejszej pracy podjęto temat detekcji wyjątków w sygnałach EEG, co pozwala na ułatwienie podejmowania decyzji co do diagnozy pacjenta na podstawie tego badania. Do detekcji wyjątków wykorzystaliśmy dwie metody: maszynę wektorów nośnych i metodę k najblizszych sąsiadów. Eksperymenty zostały przeprowadzone na ogólnodostępnym zbiorze danych zawieraj ącym wyniki badania EEG dla 500 pacjentów. Uzyskane wyniki pokazały, że u żyte przez nas metody pozwalają na uzyskanie skuteczności detekcji wyjątków na poziomie 93%.

Słowa kluczowe

EN

outlier detection; EEG signal; SVM

PL

wykrywanie wyjątków; EEG; maszyna wektorów nośnych

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 1
• Strony: 237--240
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Duraj Agnieszka

• Institute of Information Technology, Lodz University of Technology al. Politechniki 8, 93-590 Lodz, Poland

autor

Chomątek Łukasz

• Institute of Information Technology, Lodz University of Technology al. Politechniki 8, 93-590 Lodz, Poland

Bibliografia

• [1] Aggarwal, C.C.: Outlier Analysis. Springer Science and Business Media (2013)
• [2] Andrzejak, R.G., Lehnertz, K., Mormann, F., Rieke, C., David,P., Elger, C.E.: Indications of nonlinear deterministic and finitedimensional structures in time series of brain electrical activity:Dependence on recording region and brain state. Physical Review E 64(6), 061907 (2001)
• [3] Barnett, V., Lewis, T.: Outliers in statistical data, vol. 3. WileyNew York (1994)
• [4] Chomatek, L., Duraj, A.: Multiobjective genetic algorithm foroutliers detection. In: INnovations in Intelligent SysTems andApplications (INISTA), 2017 IEEE International Conference on.pp. 379–384. IEEE (2017)
• [5] Dura, A., Wosiak, A., Stasiak, B., Wojciechowski, A., Rogowski,J.: Reversed correlation-based pairwised eeg channel selectionin emotional state recognition. In: International Conference onComputational Science. pp. 528–541. Springer (2021)
• [6] Duraj, A.: Metody analizy danych z detekcj ˛a wyj ˛atków. Akademicka Oficyna Wydawnicza EXIT (2019)
• [7] Duraj, A.: Outlier detection in medical data using linguistic summaries. In: INnovations in Intelligent SysTems and Applications(INISTA), 2017 IEEE International Conference on. pp. 385–390.IEEE (2017)
• [8] Duraj, A., Chomatek, L.: Outlier detection using the multiobjective genetic algorithm. Journal of Applied Computer Science25(1), 29–42 (2017)
• [9] Duraj, A., Chomatek, L.: Supporting breast cancer diagnosiswith multi-objective genetic algorithm for outlier detection. In:International Conference on Diagnostics of Processes and Systems. pp. 304–315. Springer (2017)
• [10] Duraj, A., Niewiadomski, A., Szczepaniak, P.S.: Outlier detection using linguistically quantified statements. InternationalJournal of Intelligent Systems 33(9), 1858–1868 (2018)
• [11] Duraj, A., Niewiadomski, A., Szczepaniak, P.S.: Detection ofoutlier information by the use of linguistic summaries based onclassic and interval-valued fuzzy sets. International Journal ofIntelligent Systems 34(3), 415–438 (2019)
• [12] Duraj, A., Szczepaniak, P.S., Chomatek, L.: Intelligent detection of information outliers using linguistic summaries with nonmonotonic quantifiers. In: International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems. pp. 787–799. Springer (2020)
• [13] Kumar, M.A., Gopal, M.: A hybrid svm based decision tree. Pattern Recognition 43(12), 3977–3987 (2010)
• [14] Opałka, S., Stasiak, B., Szajerman, D., Wojciechowski, A.:Multi-channel convolutional neural networks architecture feeding for effective eeg mental tasks classification. Sensors 18(10),3451 (2018)
• [15] Seeck, M., Koessler, L., Bast, T., Leijten, F., Michel, C., Baumgartner, C., He, B., Beniczky, S.: The standardized eeg electrode array of the ifcn. Clinical neurophysiology 128(10), 2070–2077 (2017)
• [16] Vapnik, V.: The nature of statistical learning theory. Springerscience & business media (1999)
• [17] Wosiak, A., Dura, A.: Hybrid method of automated eeg signals’ selection using reversed correlation algorithm for improvedclassification of emotions. Sensors 20(24), 7083 (2020)

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).