Accurate and Efficient Differentiation Between Normal and Epileptic Seizure of Eyes Using 13 Layer Convolution Neural Network
Notice bibliographique
Résumé
Epileptic seizure is one which affects the normal brain activities of human being and considered to be a risky disease. The eye ball movement signals pattern plays a significant role in determining the epileptic seizure in precise manner. In addition to it, EOG signals has its influence in detecting epileptic seizure through assessment of eye ball movement signals precisely. Detecting Epilepsy using genetical based Convolutional Neural Network plays a major role in the previous research works. Conversely, the existence of background noise on eye ball signals may impact on the outcome failure. Noise aware Epileptic Seizure Detection using Thirteen Layer Convolution Neural Network (NESD-TLCNN) is adopted in this research to mitigate this issue and thereby ensuring the prediction rate more precisely. Furthermore, Hybrid Dynamic Time Wrapping based Hidden Markov Model (HDWT-HMM) is greatly utilized for primary background noise detection and removal by estimating the noise depending on distance metric. Once after the completion of noise estimation, perfect detection of epileptic seizure is accomplished using feature extraction. The peculiar features involved are saccade, fixation and blink features. Subsequently, Particle swarm optimization (PSO) technique is also involved in this research for optimal feature selection. Thirteen Layer Convolution Neural Network (TLCNN) is applied at last for learning and differentiation of epileptic seizure from the normal eyes. This research is being carried out in MATLAB platform which also reveals that the anticipated methodology produces improved outcomes when contrasted with the existing research work.
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 ».