A Novel Geometrical Method for Discrimination of Normal, Interictal and Ictal EEG Signals
Notice bibliographique
Résumé
The electroencephalogram (EEG) signal is known as a nonlinear and complex signal.The EEG signal has very important information about brain activities and disorders which can detect by an accurate Computer-aided diagnosis system.The performance of the Computer-aided diagnosis system directly depends on using features in the classifiers.In this paper, we proposed nonlinear geometrical features for the classification of EEG signals.The normal, interictal and ictal EEG signals of the Bonn university EEG database are plotted in 2D space by a novel approach and considering their patterns, six features namely: area of the octagon (AOO), circle area (CA), the summation of vectors length (SVL), centroid to coordinate center (CTC), circular radius out of triangles (CRT) and triangle area (TA) are extracted on different aspects of distance in Cartesian space.Based on the Kruskal-Wallis statistical test, all of the features were found statistically significant in the discrimination of normal vs. ictal and interictal vs. ictal EEG signals (p-value≈0).Also, the edges of 2D projection EEG signals in the ictal group were sharper than normal and interictal groups.Besides, 2D projection of normal and interictal EEG signals has more regular geometrical shapes than the ictal group.Our proposed features were applied as input on support vector machine (SVM) and k-nearest neighbors (KNN) classifiers which resulted in more than 99% classification accuracy in a tenfold cross-validation strategy.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».