HFD and MCFET Based Feature Extraction Technique for Detection of Epilepsy Using ANN Classifier
Notice bibliographique
Résumé
A neurological disorder called Epilepsy which causes the sudden occurrence of epileptic seizures. The electroencephalogram (EEG) is the recorded electrical activities of the brain to examine the epileptic patient through EEG pattern for diagnosis. Epileptic seizure is one of the abnormality or brain disorder in which seizure patterns shows large spikes for specific time domain or area. This work mainly focused on detecting the Epileptic seizures or Epilepsy through the extracted feature like Higuchi Fractal Dimension (HFD) and Masking and Check-in based feature extraction technique (MCFET). Three scaling features of HFD viz. fractal dimension, the standard deviation of fractal dimension and scaling factor while twenty masking and check-in-based features of the upper and the lower envelope along with ten features of the Discrete Wavelet Transform (DWT) coefficients (Table 1) from raw EEG signals are required as input to the Artificial Neural Network (ANN) for classifications. The overall performance is improved in terms of Accuracy, Sensitivity, Specificity through both HFD and MCFET features. Further, the overall accuracy using HFD and MCFET based feature extraction technique around 98% with a bit of computational time of about 1 second by reducing the training percent from 80% to 60%.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».