Різні патерни ентропії перестановок електроенцефалограми при епілептиформній активності
Основний зміст сторінки статті
Анотація
Показано поведінку часової залежності ентропії перестановок при зміні порядку з третього до сьомого для електроенцефалограм, що містять епілептиформну активність. Встановлено, що зміна порядку в межах від трьох до семи не має істотного впливу на одержувані результати. Було виділено дві різні групи сигналів, що містять епілептиформну активність, одна зі зниженням ентропії перестановок в області з епілептиформною активністю, а інша - із збільшенням ентропії перестановок при епілептиформній активності.
Бібл. 17, рис. 6.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
Avilov O. (2013), “Influence of extra noise adding on the EEG permutation entropy”. VI International
scientific and technical conference of young scientists “Electronics-2013”, April, 25-25, 2013 : Proceedings. Kyiv (Ukraine). Pp. 173-176. (In Ukrainian)
Avilov O., Popov A. (2012), “Influence of order on the permutation entropy”. ХI International scientific
and technical conference «Physical processes and fields of technical and biological objects», November, 2-4, 2012 : Proceedings. Kremenchuk (Ukraine). Pp. 118-119. (In Ukrainian)
Avilov O., Popov A., Kanaikin O., Kyselova O. (2012), “Permutation entropy analysis of electroencephalogram”. XXXII International Scientific Conference Electronics and Nanotechnology, 10-12 April
: proceedings Kyiv, Pp. 158-159. ISBN 978-1-4673-4670-2.
Avilov O., Popov A., Kanaikin O. (2013), “Permutation entropy of EEG signals for different sampling
rate and time lag combinations”. SPS-2013, 5-7 June 2013. proceedings. Warsaw, ISBN 978-1-4673-
-1
Bandt C., Pompe B. (2002), “Permutation entropy: A natural complexity measure for time series”.
Physical Review Letters. Vol. 88. ISSN 1079-7114.
Bruzzo A.A., Gesierich B., Santi M., Tassinari C.A., Birbaumer N., Rubboli G. (2008), “Permutation entropy to detect vigilance changes and preictal states from scalp EEG in epileptic patients. A preliminary study”. Neurological Sciences.February 2008. Vol. 29. Pp. 3-9.
Goldberger A.L., Amaral L.A.N., Glass L., Hausdorff J.M., Ivanov P.Ch., Mark R.G., Mietus J.E.,
Moody G.B., Peng C.K., Stanley H.E. (2000), “PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals”. Circulation 101(23). Pp. :e215-
e220. [Circulation Electronic Pages; http://circ.ahajournals.org/cgi/content/full/101/23/e215]; 2000
(June 13). PMID: 10851218; doi: 10.1161/01.CIR.101.23.e215
Lehnertz K. (1999), “Chaos in Brain”. World Scientific. Singapore, ISBN 978-981-4493-58-1.
Mammone N., Morabito F.C. (2011), “Analysis of absence seizure EEG via Permutation Entropy spatio-temporal clustering”. Proceedings of International Joint Conference on Neural Networks, San Jose,
California. USA, Pp. 1417-1422.
Nicolaou N., Georgiou J. (2012), “Detection of epileptic electroencephalogram based on Permutation
Entropy and Support Vector Machines”. Expert Systems with Applications. Vol. 39 . Pp. 202–209.
Ouyang G., Wang Y., Li X. (2009),”Auto Mutual Information Analysis with Order Patterns for Epileptic
EEG”. Sixth International Conference on Fuzzy Systems and Knowledge Discovery. Pp. 23-27.
. Avilov O, Popov A., Kanaikin O. (2013), “ Saturation of electroencephalogram permutation entropy
for large time lags”. XXXIII International Scientific Conference Electronics and Nanotechnology, 16-19
April 2013.: proceedings Kyiv, Pp. 251-254. ISBN: 978-1-4673-4670-2.
Shoeb A. (2009), “Application of Machine Learning to Epileptic Seizure Onset Detection and Treatment“. PhD Thesis, Massachusetts Institute of Technology September, 2009.
Veisi I., Pariz N., Karimpour A. (2007), “Fast and Robust Detection of Epilepsy in Noisy BEG Signals
Using Permutation Entropy”. Proceedings of the 7th IEEE International Conference on Bioinformatics
and Bioengineering. Pp. 200 — 203.
Xiaoli Li., GaoxiangOuyang. (2010), “ Estimating coupling direction between neuronal populations with
permutation conditional mutual information”. NeuroImage Vol. 52. Pp. 497-507.
Xiaoli Li, Gaoxian Ouyang, Douglas A. Richards. (2007), “Predictability analysis of absence seizures
with permutation entropy”. Epilepsy Research, Vol. 77. Pp. 70-74. ISSN 0920-1211
Yinhe Cao, Wen-wen Tung, J. B. Gao, V. A. (2004), “Protopopescu, and L. M. Hively. Detecting dynamical changes in time series using the permutation entropy”. Physical review E70.
