EPILEPTIC EEG SIGNALS RHYTHMS ANALYSIS IN THE DETECTION OF FOCAL AND NON-FOCAL SEIZURES BASED ON OPTIMISED MACHINE LEARNING AND DEEP NEURAL NETWORK ARCHITECTURE
Notice bibliographique
Résumé
Objective: Most studies in epileptic seizure detection and classification focused on classifying different types of epileptic seizures. However, localization of the epileptogenic zone in epilepsy patient brain’s is paramount to assist the doctor in locating a focal region in patients screened for surgery. Therefore, this paper proposed robust models for the localization of epileptogenic areas for the success of epilepsy surgery. Method: Advanced feature extraction techniques were proposed as effective feature extraction techniques based on Electroencephalogram (EEG) rhythms extracted from Fourier Basel Series Expansion Multivariate Empirical Wavelet Transform (FBSE-MEWT). The proposed extracted EEG rhythms of [Formula: see text] and [Formula: see text] features were used to obtain a joint instantaneous frequency and amplitude components using a sub-band alignment approach. The features are used in Sparse Autoencoder (SAE), Deep Belief Network (DBN), and Support Vector Machine (SVM) with the optimized capability to develop three new models: 1. FMEWT–SVM 2. FMEWT_SAE–SVM, and 3. FMEWT–DBN–SVM. The EEG signal was preprocessed using a proposed Multiscale Principal Component Analysis (mPCA) to denoise the noise embedded in the signal. Main results: The developed models show a significant performance improvement, with the SAE–SVM outperforming other proposed models and some recently reported works in literature with an accuracy of 99.7% using [Formula: see text]-rhythms in channels 1 and 2. Significance: This study validates the EEG rhythm as a means of discriminating the embedded features in epileptic EEG signals to locate the focal and non-focal regions in the epileptic patient’s brain to increase the success of the surgery and reduce computational cost.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 ».