EEG Oscillatory Power and Complexity for Epileptic Seizure Detection
Notice bibliographique
Résumé
Monitoring patients at risk of epileptic seizure is critical for optimal treatment and ensuing the reduction of seizure risk and complications. In general, seizure detection is done manually in hospitals and involves time-consuming visual inspection and interpretation by experts of electroencephalography (EEG) recordings. The purpose of this study is to investigate the pertinence of band-limited spectral power and signal complexity in order to discriminate between seizure and seizure-free EEG brain activity. The signal complexity and spectral power are evaluated in five frequency intervals, namely, the delta, theta, alpha, beta, and gamma bands, to be used as EEG signal feature representation. Classification of seizure and seizure-free data was performed by prevalent potent classifiers. Substantial comparative performance evaluation experiments were performed on a large EEG data record of 341 patients in the Temple University Hospital EEG seizure database. Based on statistically validated criteria, results show the efficiency of band-limited spectral power and signal complexity when using random forest and gradient-boosting decision tree classifiers (95% of the area under the curve (AUC) and 91% for both F-measure and accuracy). These results support the use of these automatic classification schemes to assist the practicing neurologist interpret EEG records more accurately and without tedious visual inspection.
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 | 0,000 |
| 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 | 0,001 | 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 ».