Patient specific channel optimization using entropy and CNN deep learning for epileptic seizure prediction

• Autorzy: Cherouati Brahim , Senouci Mohamed

Identyfikatory

DOI

10.15199/48.2023.07.20

Warianty tytułu

PL

Specyficzna dla pacjenta optymalizacja kanałów z wykorzystaniem entropii i głębokiego uczenia CNN do przewidywania napadów padaczkowych

• Języki publikacji: EN

Abstrakty

EN

Predicting epileptic seizures in advance improves greatly the life of epileptic patients. In this paper we present a new approach based on patient specific channel optimization using four different features namely entropy, variance, kurtosis and skewness. After selecting three best channels for each method, we then use Convolutional Neural Network (CNN) to classify raw EEG signal in order to discriminate between interictal and preictal state. With entropy, our method achieves a good degree of prediction in terms of accuracy 97.09%, sensitivity 97.67% and specificity 96.51% for patient 01 using channels 4, 8 and 20.

PL

Przewidywanie napadów padaczkowych z wyprzedzeniem znacznie poprawia życie chorych na padaczkę. W tym artykule prezentujemy nowe podejście oparte na optymalizacji kanałów specyficznych dla pacjenta przy użyciu czterech różnych metod, a mianowicie entropii, wariancji, kurtozy i skośności. Po wybraniu trzech najlepszych kanałów dla każdej z metod, wykorzystujemy Neuronową Sieć Konwolucyjną (CNN) do klasyfikacji surowego sygnału EEG w celu rozróżnienia pomiędzy stanem międzynapadowym i przednapadowym. Dzięki entropii nasza metoda osiąga dobry stopień predykcji w zakresie dokładności 97,09%, czułości 97,67% i specyficzności 96,51% dla pacjenta 01 przy użyciu kanałów 4, 8 i 20.

Słowa kluczowe

EN

seizure prediction; EEG; entropy; CNN; classification

PL

predykcja napadów; EEG; entropia; CNN; klasyfikacja

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 7
• Strony: 106--110
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Cherouati Brahim

• Department of Computer Sciences, University of Oran1 Ahmed Ben Bella

autor

Senouci Mohamed

• Department of Computer Sciences, University of Oran1 Ahmed Ben Bella

Bibliografia

• [1] World Health Organisation, Accessed, Nov 19, 2022 Available, https://www.who.int/news-room/fact-sheets/detail/epilepsy
• [2] R. Jana and I. Mukhetjee, Deep learning based efficient epileptic seizure prediction with EEG channel optimization, Biomed. Signal Process. Control, 68(2021), 102767.
• [3] H.Daoud and M. A. Bayoumi, Efficient Epileptic Seizure Prediction Based on Deep Learning, IEEE Trans. Biomed. Circuits Sys., 13(2019) ,No. 5, 804-813.
• [4] J. Liang, R. Lu, C. Zhang, and F. Wang, Predicting Seizures from Electroencephalography Recordings: A Knowledge Transfer Strategy, IEEE International Conference on Healthcare Informatics (ICHI), Chicago, USA(2016), 184-191.
• [5] S. Toraman, Preictal and Interictal Recognition for Epileptic Seizure Prediction Using Pre-trained 2D-CNN Models, Trait. Signal, 37(2020), No. 6, 1045–1054.
• [6] S. M. Usman, S. Khalid, and Z. Bashir, Epileptic seizure prediction using scalp electroencephalogram signals, Biocybern. Biomed. Eng., 41(2021), No. 1, 211–220.
• [7] S. Paszkiel, Review of solutions for the application of example of machine learning methods for Motor Imagery in correlation with Brain Computer Interfaces, PRZEGLĄD ELEKTROTECHNICZNY, 1(2021), No. 11, 113–118.
• [8] S. Ryu and I. Joe, A Hybrid DenseNet-LSTM Model for Epileptic Seizure Prediction, Appl. Sci., 11(2021), No 16, 7661.
• [9] CHB-MIT Scalp EEG Database, Accessed, Jun. 09, 2022. Available, https://physionet.org/content/chbmit/1.0.0/
• [10] Claude E. Shannon, A Mathematical Theory of Communication, Bell System Technical Journal, 27(1948), 379–423.
• [11] J. Duun-Henriksen, T. W. Kjaer, R. E. Madsen, L. S. Remvig, C. E. Thomsen, and H. B. D. Sorensen, Channel selection for automatic seizure detection, Clin. Neurophysiol., 123(2012), No. 1, 84–92.
• [12] A. Shoeb and J. Guttag, Application of Machine Learning To Epileptic Seizure Detection, ICML'10, Proceedings of the 27th International Conference on International Conference on Machine Learning, 2010, 975–982.
• [13] G. Prendergast, G. G. R. Green, and M. Hymers, A robust implementation of a kurtosis beamformer for the accurate identification of epileptogenic foci, Clin. Neurophysiol., 124(2013), No. 4, 658–666.
• [14] R. Yamashita, M. Nishio, R. K. G. Do, & K. Togashi, Convolutional neural networks: an overview and application in radiology, Insights Imaging, 9(2018), No. 4, 611-629.

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).