Complexity analysis and dynamic characteristics of EEG using MODWT based entropies for identification of seizure onset
Notice bibliographique
Résumé
In this paper, complexity analysis and dynamic characteristics of electroencephalogram (EEG) signal based on maximal overlap discrete wavelet transform (MODWT) has been exploited for the identification of seizure onset. Since wavelet-based studies were well suited for classification of normal and epileptic seizure EEG, we have applied MODWT which is an improved version of discrete wavelet transform (DWT). The selection of optimal wavelet sub-band and features plays a crucial role to understand the brain dynamics in epileptic patients. Therefore, we have investigated MODWT using four different wavelets, namely Haar, Coif4, Dmey, and Sym4 sub-bands until seven levels. Further, we have explored the potentials of six entropies, namely sigmoid, Shannon, wavelet, Renyi, Tsallis, and Steins unbiased risk estimator (SURE) entropies in each sub-band. The sigmoid entropy extracted from Haar wavelet in sub-band D4 showed the highest accuracy of 98.44% using support vector machine classifier for the EEG collected from Ramaiah Medical College and Hospitals (RMCH). Further, the highest accuracy of 100% and 94.51% was achieved for the University of Bonn (UBonn) and CHB-MIT databases respectively. The findings of the study showed that Haar and Dmey wavelets were found to be computationally economical and expensive respectively. Besides, in terms of dynamic characteristics, MODWT results revealed that the highest energy present in sub-bands D2, D3, and D4 and entropies in those respective sub-bands outperformed other entropies in terms of classification results for RMCH database. Similarly, using all the entropies, sub-bands D5 and D6 outperformed other sub-bands for UBonn and CHB-MIT databases respectively. In conclusion, the comparison results of MODWT outperformed DWT.
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 | 0,001 | 0,003 |
| 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 | 0,000 | 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 ».