Wyniki wyszukiwania - Biblioteka Nauki

Ten serwis zostanie wyłączony 2025-02-11.

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2023

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Effect of input channel reduction on EEG seizure detection

100%

Kabir M. S. A. , Farhan F. , Siddiquee A. A. , Baroi O. L. , Marium T. , Rahimi M. J.

Przegląd Elektrotechniczny

2023

tom R. 99, nr 12

195--200

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.

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.