Quantitative Analysis of EEG Slow Wave Activity Based on MinPeakProminence Method
Notice bibliographique
Résumé
Persistent, unchanging, and non-reactive focal or generalized abnormal Slow Wave (SW) activities in an awake adult patient are examined pathologically. Although these waves in Electroencephalogram (EEG) are much less prominent than transient activities in some areas, it is not possible to understand them easily by looking at the EEG. For this reason, reliable computer programs that can sort out Slow Waves (SWs) correctly are needed. In this study, a new method based on MinPeakProminence that can detect abnormal SW activities was developed. To test the performance of the study, the data collected from Selcuk University Hospital (22 subjects - epilepsy and various neurological diseases) and Bonn Hospital (only normal A dataset) were used. Various statistical performance measurement methods were used to search the results. The results of this analysis revealed that the classification success, sensitivity and specificity values obtained with the SUH dataset were 96.5%, 93.3% and 96.1%, respectively. In the results of the experiments made with the Bonn dataset, 100% classification success was achieved. Besides, according to the analyses, it was found that SWs are frequently seen in the posterior regions of the brain, especially in the parietal and occipital regions in the SUH dataset.
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 | 0,000 |
| 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) | 0,001 | 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 ».