Дослідження кореляції між каналами сигналу еег для пронозування епілептичних нападів
Основний зміст сторінки статті
Анотація
Робота присвячена дослідженню застосування кореляції між каналами сигналу ЕЕГ для прогнозування епілептичних нападів. Прогнозування нападів розглянуто як задача класифікації станів між нападами та перед нападом. В роботі запропоновано використання коефіцієнтів кореляції між каналами сигналу та проведено дослідження впливу довжини вікна, в якому вони розраховуються, на результат прогнозування. Дослідження проводилось з використанням бази сигналів інтракраніальних електроенцефалограм (іЕЕГ), яка містить сигнали 5 собак та 2 людей загальною тривалістю 678 годин. В роботі для класифікації було використано метод опорних векторів. Результат прогнозування оцінювався за допомогою середньої площі під ROC-кривою (AUC). Встановлено, що використання коефіцієнтів кореляції між каналами дає достатньо високий результат при прогнозуванні, а саме: при використанні довжини вікна від 10 до 180 секунд середня площа під ROC-кривою змінюється в діапазоні 0,928 - 0,938 і має максимальне значення при використанні вікна довжиною 30 секунд. Отримані результати можуть бути використані при побудові та покращенні систем прогнозування епілептичних нападів. Бібл. 13, рис.2.
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
American Epilepsy Society Seizure Prediction Challenge. https://www.kaggle.com/c/seizure-prediction.
Carney P.R., Myers S., Geyer J.D. (2011),“Seizure prediction: methods”, Epilepsy & behavior: E&B., Vol. 22, Pp. S94–101.
Fawcett, T. (2004), “ROC Graphs: Notes and Practical Considerations for Researchers”, Kluwer Academic Publishers.
Feller, V. (1964), “Introduction into the probability theory and it’s applications”, Mir, P. 499.
Kreuz, T. (2003), “Measuring Synchronization in Model Systems and Electroencephalographic Time Series from Epilepsy Patients”, PhD thesis, NIC Series, Vol. 21.
Kristin K. Jergera, Steven L. Weinstein, Tim Sauer, Steven J. Schiff. (2005), “Multivariate linear discrimination of seizures”, Clinical Neurophysiology, Vol. 116(3), Pp. 545-51.
Iasemidis, L.D. (2003), “Epileptic seizure prediction and control”, IEEE Transactions on Biomedical Engineering, Vol. 50., Pp. 549–558.
Mirowski P., Madhavan D., LeCun Y., Kuzniecky R. (2009), “Classification of Patterns of EEG Synchronization for Seizure Prediction”, Clinical Neurophysiology, Vol. 120(11).
Mormann F., Kreuz T., Andrzejak R.G., David P., Lehnertz K., Elger C.E. (2003), “Epileptic seizures are preceded by a decrease in synchronization”, Elsevier Science, Epilepsy Research, Vol. 53, Pp. 173–185.
Mormann F., Andrzejak R.G., Elger C.E., Lehnertz K. (2007), “Seizure prediction: the long and winding road,” Brain, Vol. 130, no. Pt 2. Pp. 314–333.
Netoff, T., Park Y., Parhi K. (2009), “Seizure Prediction Using Cost-Sensitive Support Vector Machine”, 31st Annual International Conference of the IEEE EMBS, Minneapolis, Minnesota, USA, September 2-6.
Panichev, O. (2014), “Methods of EEG analysis for prediction of epileptic seizures”, Electronics and Communications.
Vapnik, V.N. (1995), “The nature of statistical learning theory”, Springer, New York.
