استفاده از شبکه عصبی مصنوعی برای پیش بینی تشنج با استفاده از الکتروانسفالوگرام
ترجمه نشده

استفاده از شبکه عصبی مصنوعی برای پیش بینی تشنج با استفاده از الکتروانسفالوگرام

عنوان فارسی مقاله: شبکه عصبی مصنوعی برای پیش بینی تشنج با استفاده از الکتروانسفالوگرام داخل جمجمه و پوست سر
عنوان انگلیسی مقاله: Convolutional neural networks for seizure prediction using intracranial and scalp electroencephalogram
مجله/کنفرانس: شبکه های عصبی - Neural Networks
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، فناوری اطلاعات، پزشکی
گرایش های تحصیلی مرتبط: هوش مصنوعی، شبکه های کامپیوتری، مغز و اعصاب
کلمات کلیدی فارسی: پیش بینی تشخیص، شبکه عصبی کانولوشن، یادگیری ماشین، EEG داخل جمجمه، EEG پوست سر
کلمات کلیدی انگلیسی: seizure prediction، convolutional neural network، machine learning، intracranial EEG، scalp EEG
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: MedLine - Scopus - Master Journal List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.neunet.2018.04.018
دانشگاه: School of Electrical and Information Engineering - University of Sydney - Australia
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2018
ایمپکت فاکتور: 8/446 در سال 2017
شاخص H_index: 121 در سال 2019
شاخص SJR: 2/359 در سال 2017
شناسه ISSN: 0893-6080
شاخص Quartile (چارک): Q1 در سال 2017
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 27
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E10737
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Proposed method


3- Results


4- Discussion


5- Conclusion


References

نمونه متن انگلیسی مقاله

Abstract


Seizure prediction has attracted growing attention as one of the most challenging predictive data analysis efforts to improve the life of patients with drug-resistant epilepsy and tonic seizures. Many outstanding studies have reported great results in providing sensible indirect (warning systems) or direct (interactive neural stimulation) control over refractory seizures, some of which achieved high performance. However, to achieve high sensitivity and a low false prediction rate, many of these studies relied on handcraft feature extraction and/or tailored feature extraction, which is performed for each patient independently. This approach, however, is not generalizable, and requires significant modifications for each new patient within a new dataset. In this article, we apply convolutional neural networks to different intracranial and scalp electroencephalogram (EEG) datasets and propose a generalized retrospective and patient-specific seizure prediction method. We use the short-time Fourier transform on 30-s EEG windows to extract information in both the frequency domain and the time domain. The algorithm automatically generates optimized features for each patient to best classify preictal and interictal segments. The method can be applied to any other patient from any dataset without the need for manual feature extraction. The proposed approach achieves sensitivity of 81.4%, 81.2%, and 75% and a false prediction rate of 0.06/h, 0.16/h, and 0.21/h on the Freiburg Hospital intracranial EEG dataset, the Boston Children’s Hospital–MIT scalp EEG dataset, and the American Epilepsy Society Seizure Prediction Challenge dataset, respectively. Our prediction method is also statistically better than an unspecific random predictor for most of the patients in all three datasets.


Introduction


Advances in data mining and machine learning in the past few decades have attracted significantly more attention to the application of these techniques in detective and predictive data analytics, especially in health care, medical 5 practices, and biomedical engineering (Kuhlmann et al., 2015; Freestone et al., 2015; Xiao et al., 2017; Bou Assi et al., 2017; Kuhlmann et al., 2017; Freestone et al., 2017; Sinha et al., 2017). While the body of available proven knowledge lacks a convincing and comprehensive understanding of the sources of epileptic seizures, some early studies showed the possibility of predicting seemingly unpredictable 10 seizures (Rogowski et al., 1981; Salant et al., 1998). Along with continuous improvements in recording electroencephalogram (EEG) signals, there have been an increasing number of EEG-based techniques for seizure prediction (Szostak 2 et al., 2017). There have been some articles on seizure prediction using the Freiburg Hospital dataset (University of Freiburg, 2003). For example, the 15 dynamical similarity index, effective correlation dimension, and increments of accumulated energy were used as features (Maiwald et al., 2004). The dynamical similarity index yielded the highest performance, with sensitivity of 42% and false prediction rate (FPR) less than 0.15/h. The mean phase coherence and lag synchronization index of 32-s sliding EEG windows were used as features 20 for seizure prediction (Winterhalder et al., 2006).

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

استفاده از شبکه عصبی مصنوعی برای پیش بینی تشنج با استفاده از الکتروانسفالوگرام
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها