Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2023 - zeszyt 7

Patient specific channel optimization using entropy and CNN deep learning for epileptic seizure prediction

Specyficzna dla pacjenta optymalizacja kanałów z wykorzystaniem entropii i głębokiego uczenia CNN do przewidywania napadów padaczkowych

10.15199/48.2023.07.20

nr katalogowy: 144166
10.15199/48.2023.07.20

Streszczenie

Predicting epileptic seizures in advance improves greatly the life of epileptic patients. In this paper we present a new approach based on patient specific channel optimization using four different features namely entropy, variance, kurtosis and skewness. After selecting three best channels for each method, we then use Convolutional Neural Network (CNN) to classify raw EEG signal in order to discriminate between interictal and preictal state. With entropy, our method achieves a good degree of prediction in terms of accuracy 97.09%, sensitivity 97.67% and specificity 96.51% for patient 01 using channels 4, 8 and 20.

Abstract

Przewidywanie napadów padaczkowych z wyprzedzeniem znacznie poprawia życie chorych na padaczkę. W tym artykule prezentujemy nowe podejście oparte na optymalizacji kanałów specyficznych dla pacjenta przy użyciu czterech różnych metod, a mianowicie entropii, wariancji, kurtozy i skośności. Po wybraniu trzech najlepszych kanałów dla każdej z metod, wykorzystujemy Neuronową Sieć Konwolucyjną (CNN) do klasyfikacji surowego sygnału EEG w celu rozróżnienia pomiędzy stanem międzynapadowym i przednapadowym. Dzięki entropii nasza metoda osiąga dobry stopień predykcji w zakresie dokładności 97,09%, czułości 97,67% i specyficzności 96,51% dla pacjenta 01 przy użyciu kanałów 4, 8 i 20.

Słowa kluczowe

Keywords

Bibliografia

[1] World Health Organisation, Accessed, Nov 19, 2022 Available, https://www.who.int/news-room/fact-sheets/detail/epilepsy
[2] R. Jana and I. Mukhetjee, Deep learning based efficient epileptic seizure prediction with EEG channel optimization, Biomed. Signal Process. Control, 68(2021), 102767.
[3] H.Daoud and M. A. Bayoumi, Efficient Epileptic Seizure Prediction Based on Deep Learning, IEEE Trans. Biomed. Circuits Sys., 13(2019) ,No. 5, 804-813.
[4] J. Liang, R. Lu, C. Zhang, and F. Wang, Predicting Seizures from Electroencephalography Recordings: A Knowledge Transfer Strategy, IEEE International Conference on Healthcare Informatics (ICHI), Chicago, USA(2016), 184-191.
[5] S. Toraman, Preictal and Interictal Recognition for Epileptic Seizure Prediction Using Pre-trained 2D-CNN Models, Trait. Signal, 37(2020), No. 6, 1045–1054.
[6] S. M. Usman, S. Khalid, and Z. Bashir, Epileptic seizure prediction using scalp electroencephalogram signals, Biocybern. Biomed. Eng., 41(2021), No. 1, 211–220.
[7] S. Paszkiel, Review of solutions for the application of example of machine learning methods for Motor Imagery in correlation with Brain Computer Interfaces, PRZEGLĄD ELEKTROTECHNICZNY, 1(2021), No. 11, 113–118.
[8] S. Ryu and I. Joe, A Hybrid DenseNet-LSTM Model for Epileptic Seizure Prediction, Appl. Sci., 11(2021), No 16, 7661.
[9] CHB-MIT Scalp EEG Database, Accessed, Jun. 09, 2022. Available, https://physionet.org/content/chbmit/1.0.0/
[10] Claude E. Shannon, A Mathematical Theory of Communication, Bell System Technical Journal, 27(1948), 379–423.
[11] J. Duun-Henriksen, T. W. Kjaer, R. E. Madsen, L. S. Remvig, C. E. Thomsen, and H. B. D. Sorensen, Channel selection for automatic seizure detection, Clin. Neurophysiol., 123(2012), No. 1, 84–92.
[12] A. Shoeb and J. Guttag, Application of Machine Learning To Epileptic Seizure Detection, ICML'10, Proceedings of the 27th International Conference on International Conference on Machine Learning, 2010, 975–982.
[13] G. Prendergast, G. G. R. Green, and M. Hymers, A robust implementation of a kurtosis beamformer for the accurate identification of epileptogenic foci, Clin. Neurophysiol., 124(2013), No. 4, 658–666.
[14] R. Yamashita, M. Nishio, R. K. G. Do, & K. Togashi, Convolutional neural networks: an overview and application in radiology, Insights Imaging, 9(2018), No. 4, 611-629.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2023-7 , nr katalogowy 144166 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2023-7 licencja: Osobista Produkt cyfrowy Nowość	70.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2023-7

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma