Automated EEG Epileptic Seizure Detection Exploiting Continuous Morlet Wavelet Transform Scalograms and Hybrid Deep Learning Models
Notice bibliographique
Résumé
Epilepsy is a prevalent neurological disorder characterized by recurrent seizures, affecting millions of people worldwide. Accurate and timely detection of epileptic seizures is crucial for patient management and treatment. Traditional seizure detection methods are often time-consuming and require expert interpretation, leading to a growing interest in deep-learning techniques for efficient and accurate seizure detection. This study ventures into transforming an Electroencephalogram (EEG) signal dataset into Continuous Morlet Wavelet Transform (CMWT) scalograms of the signals processed into four distinct resolutions: 32x32, 48x48, 64x64, and 128x128. CMWT is a mathematical representation that offers a detailed time-frequency-based visualization of signals by decomposing the EEG signals into different frequency components and then visualizing their intensity with respect to time. Five hybrid models are developed and compared: a 3-layered 2D-Convolutional Neural Network (CNN) model, a transfer learning approach with the VGG16 and ResNet50 model, and two hybrid Convolutional Neural Network-Recurrent Neural Network (CNN-RNN) models such as Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) and CNN-LSTM-LSTM. These hybrid models are designed to leverage the strengths of both CNNs and RNNs for feature extraction and classification, respectively. The outcomes demonstrate that the VGG16 architectures with the input resolution 64x64, appear to be a promising choice, offering a harmonious blend of computational efficiency and model performance.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».