Complexity Analysis of Electroencephalogram Dynamics in Patients with Parkinson’s Disease
Notice bibliographique
Résumé
In this study, a new combination scheme has been proposed for detecting Parkinson's disease (PD) from electroencephalogram (EEG) signal recorded from normal subjects and PD patients. The scheme is based on discrete wavelet transform (DWT), sample entropy (SampEn), and the three-way decision model in analysis of EEG signal. The EEG signal is noisy and nonstationary, and, as a consequence, it becomes difficult to distinguish it visually. However, the scheme is a well-established methodology in analysis of EEG signal in three stages. In the first stage, the DWT was applied to acquire the split frequency information; here, we use three-level DWT to decompose EEG signal into approximation and detail coefficients; in this stage, we aim to remove the useless and noise information and acquire the effective information. In the second stage, as the SampEn has advantage in analyzing the EEG signal, we use the approximation coefficient to compute the SampEn values. Finally, we detect the PD patients using three-way decision based on optimal center constructive covering algorithm (O_CCA) with the accuracy about 92.86%. Without DWT as preprocessing step, the detection rate reduces to 88.10%. Overall, the combination scheme we proposed is suitable and efficient in analyzing the EEG signal with higher accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».