Detection of Epileptic Seizures from EEG Signals by Combining Dimensionality Reduction Algorithms with Machine Learning Models
Notice bibliographique
Résumé
In this paper, more emphasis has been given to develop various machine learning models using SPPCA and SUBXPCA dimensionality reduction algorithms to increase the classification accuracy. Firstly, Discrete Wavelet Transform (DWT) is applied to EEG signals for extracting the time-frequency domain features of epilepsy such as the energy of each sub-pattern, spike rhythmicity, relative spike amplitude, Dominant Frequency (DF) and Spectral Entropy (SE). The features obtained after performing DWT on an EEG signal are extensive in number, to select the prominent features and to retain their properties, correlation feature sub-pattern-based PCA (SPPCA), and cross sub-pattern correlation-based PCA (SUBXPCA) are used as a dimensionality reduction techniques. To validate the proposed work, performance evaluation parameter such as the accuracy of the time-frequency domain features from different combinations of the dataset has been compared with the latest state-of-the-art works. Simulation results show that the proposed algorithm combined with machine learning classifiers. The best accuracy of 97% for SPPCA is achieved by CatBoost and for SUBXPCA the best accuracy of 98% is achieved by random forest classifier which clearly outperformed the other related works, both in terms of accuracy and computational complexity.
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) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».