Effect of input channel reduction on EEG seizure detection

• Autorzy: Kabir, Md Shaikh Abrar , Farhan, Faisal , Siddiquee, Adnan Amin , Baroi, Oli Lowna , Marium, Taniza , Rahimi, Md. Jakaria

Warianty tytułu

PL

Wpływ redukcji kanału wejściowego na wykrywanie napadów EEG

• Języki publikacji: EN

Abstrakty

EN

In this study, the effectiveness of six machine learning and eight deep learning algorithms in analyzing electroencephalogram (EEG) signals for detecting epileptic seizures has been investigated. The study utilizes 14 channels in the EMOTIV EPOC+ device which is based on international 10-20 system. To find out the most informative and sensitive channel, one of the 14 channels has been dropped one at a time. The accuracy values were determined for all the methods using two different publicly available datasets: the Guinea-Bissau epilepsy dataset and the Nigeria epilepsy dataset. In case of machine learning models, the performance of SVM classifier performs best with maximum accuracy of 83.2% (Guinea-Bissau) and 77% (Nigeria) without excluding any channels. No significant performance degradation has been observed for single channel exclusion of this classifier. Among the deep learning models, the four best performing models in terms of accuracy are CNN-LSTM (92.5%), IC-RNN (91.8%), ChronoNet (91.1%) and C-DRNN (88.6%). After excluding one channel at a time and investigating their effect on the performance of the four DL models, it has been observed that the most significant and most sensitive channels lie within the frontal and parietal zone. This finding will be very useful in practice as it indicates that the electrodes in the frontal and parietal zone should be placed with absolute precision for accurate diagnosis of the diseases. In addition, this study also explore the effectiveness of the selected classifiers in detecting seizure in case of failure of any particular EEG signal channel.

PL

W tym badaniu zbadano skuteczność sześciu algorytmów uczenia maszynowego i ośmiu algorytmów głębokiego uczenia się w analizie sygnałów elektroencefalogramu (EEG) w celu wykrywania napadów padaczkowych. W badaniu wykorzystano 14 kanałów w urządzeniu EMOTIV EPOC+ opartym na międzynarodowym systemie 10-20. Aby znaleźć najbardziej pouczający i wrażliwy kanał, usuwano jeden z 14 kanałów na raz. Wartości dokładności określono dla wszystkich metod przy użyciu dwóch różnych publicznie dostępnych zbiorów danych: zbioru danych dotyczących padaczki w Gwinei Bissau i zbioru danych dotyczących padaczki w Nigerii. W przypadku modeli uczenia maszynowego wydajność klasyfikatora SVM jest najlepsza przy maksymalnej dokładności 83,2% (Gwinea Bissau) i 77% (Nigeria) bez wykluczania jakichkolwiek kanałów. Nie zaobserwowano znaczącego pogorszenia wydajności w przypadku wykluczenia pojedynczego kanału tego klasyfikatora. Wśród modeli głębokiego uczenia się cztery modele o najlepszych wynikach pod względem dokładności to CNN-LSTM (92,5%), IC-RNN (91,8%), ChronoNet (91,1%) i C DRNN (88,6%). Po wykluczeniu jednego kanału na raz i zbadaniu ich wpływu na działanie czterech modeli DL zaobserwowano, że najważniejsze i najbardziej czułe kanały znajdują się w strefie czołowej i ciemieniowej. Odkrycie to będzie bardzo przydatne w praktyce, gdyż wskazuje, że elektrody w strefie czołowej i ciemieniowej powinny być umieszczone z absolutną precyzją, aby umożliwić trafną diagnostykę schorzeń. Ponadto w badaniu tym zbadano również skuteczność wybranych klasyfikatorów w wykrywaniu napadów w przypadku awarii dowolnego konkretnego kanału sygnałowego EEG.

Słowa kluczowe

PL

EEG; drgawki; klasyfikator; wybór kanału

EN

EEG; seizure; classifier; channel selection

• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 12
• Strony: 195--200
• Opis fizyczny: Bibliogr. 29 poz., rys., tab.

Twórcy

autor

Kabir, Md Shaikh Abrar

• Ahsanullah University of Science and Technology,141-142, Love Road, Tejgaon, Dhaka1208, Bangladesh,

autor

Farhan, Faisal

• Ahsanullah University of Science and Technology,141-142, Love Road, Tejgaon, Dhaka1208, Bangladesh,

autor

Siddiquee, Adnan Amin

• Ahsanullah University of Science and Technology,141-142, Love Road, Tejgaon, Dhaka1208, Bangladesh,

autor

Baroi, Oli Lowna

• Ahsanullah University of Science and Technology,141-142, Love Road, Tejgaon, Dhaka1208, Bangladesh,

autor

Marium, Taniza

• Ahsanullah University of Science and Technology,141-142, Love Road, Tejgaon, Dhaka1208, Bangladesh,

autor

Rahimi, Md. Jakaria

• Ahsanullah University of Science and Technology,141-142, Love Road, Tejgaon, Dhaka1208, Bangladesh,

Bibliografia

• [1] Duraj, Agnieszka, and Łukasz Chomątek. "Outlier detection in EEG signals." Przeglad Elektrotechniczny 99, no. 1 (2023).
• [2] Blume, W. T., H. O. Lüders, E. Mizrahi, C. Tassinari, W. van Emde Boas, and J. Engel Jr. "Glossary of descriptive terminology for ictal semiology: report of the ILAE task force on classification and terminology." Epilepsia 42, no. 9 (2001): 1212-1218.
• [3] Lasefr, Zakareya, Sai Shiva VNR Ayyalasomayajula, and Khaled Elleithy. "Epilepsy seizure detection using EEG signals." In 2017 IEEE 8th Annual Ubiquitous Computing, Electronics and Mobile Communication Conference (UEMCON), pp. 162-167. IEEE, 2017.
• [4] Hassan, Fatima, Syed Fawad Hussain, and Saeed Mian Qaisar. "Epileptic Seizure Detection Using a Hybrid 1D CNN-Machine Learning Approach from EEG Data." Journal of Healthcare Engineering 2022 (2022).
• [5] Gandhi, Tapan, Bijay Ketan Panigrahi, and Sneh Anand. "A comparative study of wavelet families for EEG signal classification." Neurocomputing 74, no. 17 (2011): 3051-3057.
• [6] Yao, Xinghua, Qiang Cheng, and Guo-Qiang Zhang. "A novel independent rnn approach to classification of seizures against non-seizures." arXiv preprint arXiv:1903.09326 (2019).
• [7] Yao, Xinghua, Xiaojin Li, Qiang Ye, Yan Huang, Qiang Cheng, and Guo-Qiang Zhang. "A robust deep learning approach for automatic classification of seizures against non-seizures." Biomedical Signal Processing and Control 64 (2021): 102215.
• [8] Ke, Hengjin, Dan Chen, Xiaoli Li, Yunbo Tang, Tejal Shah, and Rajiv Ranjan. "Towards brain big data classification: Epileptic EEG identification with a lightweight VGGNet on global MIC." IEEE Access 6 (2018): 14722-14733.
• [9] Zou, Xiaonan, Yong Hu, Zhewen Tian, and Kaiyuan Shen. "Logistic regression model optimization and case analysis." In 2019 IEEE 7th international conference on computer science and network technology (ICCSNT), pp. 135-139. IEEE, 2019.
• [10] Z. Qian, Meng. Deyu, Xu. Zongben, “L1/2 Regularized Logistic Regression,” Pattern Recognition and Artificial Intelligence, vol. 25(05), pp. 721-728, 2012.
• [11] Breiman, Leo. "Random forests." Machine learning 45 (2001): 5-32.
• [12] Jahromi, Ali Haghpanah, and Mohammad Taheri. "A non-parametric mixture of Gaussian naive Bayes classifiers based on local independent features." In 2017 Artificial intelligence and signal processing conference (AISP), pp. 209-212. IEEE, 2017.
• [13] Wu, Xindong, Vipin Kumar, J. Ross Quinlan, Joydeep Ghosh, Qiang Yang, Hiroshi Motoda, Geoffrey J. McLachlan et al. "Top 10 algorithms in data mining." Knowledge and information systems 14 (2008): 1-37.
• [14] John, George H., and Pat Langley. "Estimating continuous distributions in Bayesian classifiers." arXiv preprint arXiv:1302.4964 (2013).
• [15] Guo, Gongde, Hui Wang, David Bell, Yaxin Bi, and Kieran Greer. "KNN model-based approach in classification." In On The Move to Meaningful Internet Systems 2003: CoopIS, DOA, and ODBASE: OTM Confederated International Conferences, CoopIS, DOA, and ODBASE 2003, Catania, Sicily, Italy, November 3-7, 2003. Proceedings, pp. 986-996. Springer Berlin Heidelberg, 2003.
• [16] Hand, David J. "Principles of data mining." Drug safety 30 (2007): 621-622.
• [17] Noble, William S. "What is a support vector machine?." Nature biotechnology 24, no. 12 (2006): 1565-1567.
• [18] Ismaeel, Ghassan Ahmad, "Machine Learning to Diagnose Breast Cancer", , Przeglad Elektrotechniczny, vol. 1, pp. 10, 2022.
• [19] Wiszniewski P, Kołodziej M, Majkowski A, Rysz A. Detection of epileptic seizures with the use of convolutional neural networks. Przegląd Elektrotechniczny. 2023;99:51–55.
• [20] Zhou, Mengni, Cheng Tian, Rui Cao, Bin Wang, Yan Niu, Ting Hu, Hao Guo, and Jie Xiang. "Epileptic seizure detection based on EEG signals and CNN." Frontiers in neuroinformatics 12 (2018): 95.
• [21] Cho, Kyunghyun, Bart Van Merriënboer, Dzmitry Bahdanau, and Yoshua Bengio. "On the properties of neural machine translation: Encoder-decoder approaches." arXiv preprint arXiv:1409.1259 (2014).
• [22] Hochreiter, Sepp, and Jürgen Schmidhuber. "Long short-term memory." Neural computation 9, no. 8 (1997): 1735-1780.
• [23] Graves, Alex. "Generating sequences with recurrent neural networks." arXiv preprint arXiv:1308.0850 (2013).
• [24] Roy, Subhrajit, Isabell Kiral-Kornek, and Stefan Harrer. "ChronoNet: a deep recurrent neural network for abnormal EEG identification." In Artificial Intelligence in Medicine: 17th Conference on Artificial Intelligence in Medicine, AIME 2019, Poznan, Poland, June 26–29, 2019, Proceedings 17, pp. 47- 56. Springer International Publishing, 2019.
• [25] Ismail Fawaz, Hassan, Germain Forestier, Jonathan Weber, Lhassane Idoumghar, and Pierre-Alain Muller. "Deep learning for time series classification: a review." Data mining and knowledge discovery 33, no. 4 (2019): 917-963.
• [26] Balasubramanian, Sangeetha, Shruti Shriya Gullapuram, and Abhinav Shukla. "Engagement estimation in advertisement videos with eeg." arXiv preprint arXiv:1812.03364 (2018).
• [27] Vincent van Hees, & Wim Otte. EEG data collected with Emotiv device in people with epilepsy and controls in Guinea-Bissau and Nigeria (1.0). [Data set]. Zenodo. https://doi.org/10.5281/zenodo.1252141. (2018).
• [28] van Hees, Vincent T., Eric van Diessen, Michel RT Sinke, Jan W. Buitenhuis, Frank van der Maas, Lars Ridder, and Willem M. Otte. "Reliable and automatic epilepsy classification with affordable, consumer-grade electroencephalography in rural sub-Saharan Africa." BioRxiv (2018): 324954.
• [29] Xu, Gaowei, Tianhe Ren, Yu Chen, and Wenliang Che. "A one-dimensional cnn-lstm model for epileptic seizure recognition using eeg signal analysis." Frontiers in neuroscience 14 (2020): 578126.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).

Identyfikatory

DOI

10.15199/48.2023.12.35