Enhancing detection of epileptic seizures using transfer learning and EEG brain activity signals
Notice bibliographique
Résumé
Epileptic seizures are neurological events characterized by sudden and excessive electrical discharges in the brain, leading to disruptions in brain function. Epileptic seizures can lead to life-threatening situations such as status epilepticus, which is characterized by prolonged or recurrent seizures and may lead to respiratory distress, aspiration pneumonia, and cardiac arrhythmias. Therefore, there is a need for an automated approach that can efficiently diagnose epileptic seizures at an early stage. The primary objective of this study is to develop a highly accurate approach for the early diagnosis of epileptic seizures. We use electroencephalography (EEG) signal data based on different brain activities to conduct experiments for epileptic seizure detection. For this purpose, a novel transfer learning technique called random forest-gated recurrent unit (RFGR) is proposed. The EEG brain activity signal data is fed into the RFGR model to generate a new feature set. The newly generated features are based on the class prediction probabilities extracted by the RFGR and are utilized to train models. Extensive experiments are carried out to investigate the performance of the proposed approach. Results demonstrate that the RFGR, when used with the random forest model, outperforms state-of-the-art techniques, achieving a high accuracy of 99.00 %. Additionally, explainable artificial intelligence analysis is utilized to provide transparent and understandable explanations of the decision-making processes of the proposed approach.
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) | 0,000 | 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) | 0,000 | 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 ».