Modified Gorilla Troops Optimization with Deep Learning Based Epileptic Seizure Prediction Model on EEG Signals
Notice bibliographique
Résumé
Approximately 50 million people worldwide suffer from Epileptic Seizure (ES), a persistent neurological disorder that cannot spread from person to person.Electroencephalography (EEG) is a tool that is often used to identify and diagnose epilepsy by observing how the brain works.However, analyzing EEG recordings to identify epileptic activity can be difficult, time-consuming, and requires specialist expertise.However, a precise and early diagnosis of epilepsy is necessary to start anti-seizure medication treatment and reduce the risk of consequences from recurrent episodes.In this paper, a modified Gorilla Troops Optimization with a Deep Learning based ES Prediction model (MGTODL-ESP) using EEG signals is implemented.The proposed MGTODL-ESP model comprises two main processes: feature selection and prediction.The MGTODL-ESP model uses a modified gorilla troops optimization (MGTO) based feature selection algorithm to select the optimal subset of features.The MGTO-based Gated Recurrent Unit (GRU) model predicts different types of ES.Finally, the Grey Wolf Optimizer (GWO) algorithm was used to tune the parameters of the MGTODL model.The outline of the MGTO-ESP-based feature selection and Grey Wolf Optimizer (GWO)-based parameter tuning indicates the novelty of this research.A comprehensive empirical study was conducted using a benchmark CHB-MIT scalp EEG database from IEEE DataPort to investigate the improved prediction performance of the MGTODL-ESP model.A comparison of the different methods showed that the MGTODL-ESP approach was the most accurate, with an accuracy rate of 98.50%.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».