Prediction of Seizure in the EEG Signal with Time Aware Recurrent Neural Network
Notice bibliographique
Résumé
The human brain's actions are reflected by the significant physiological data relying on the Electroencephalogram (EEG), which is utilized in the detection of epileptic seizures and the diagnosis of epilepsy. The visual inspection process of a vast quantity of EEG data by any human expert is time-consuming and the judgemental process may vary or be inconsistent among the physician. Hence, an automated process in detection and diagnosis is initiated by utilizing deep learning approaches. The Convolutional Neural Network (CNN) is incorporated to correctly recognize the irregular inter-ictal discharges as non-seizures, but could not detect the ictal state and slower oscillations. To improve the performance of CNN for detecting seizures' ictal state and slower oscillations, Recurrent Neural Network (RNN) is combined with the CNN model. An RNN evokes every processed information via time and it assists in the prediction of time series data. The processed feature in RNN remembers the preceding input information which is Long Short Term Memory (LSTM). The investigational outcome of the proposed Time Aware CNN and Recurrent Neural Network (TA-CNN-RNN) attained effective classification accuracy. The experiments analysis exhibits that the TA-CNN-RNN achieves an accuracy of 89%, 88.6%, and 88.7% on CHB-MIT-EEG, Bonn-iEEG, and VIRGO-EEG databases, respectively compared to the Entropy+LSSVM, LBP+KNN and P-one-class SVM methods for epilepsy detection.
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) | 0,000 | 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) | 0,001 | 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 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 ».