استفاده از مدل پنهان مارکوف برای تشخیص حمله صرعی
ترجمه نشده

استفاده از مدل پنهان مارکوف برای تشخیص حمله صرعی

عنوان فارسی مقاله: تشخیص حمله صرعی غیر ارادی مبتنی بر EEG چند کاناله با استفاده از تجزیه فیلترینگ تکراری و مدل پنهان مارکوف
عنوان انگلیسی مقاله: Multi-channel EEG based automatic epileptic seizure detection using iterative filtering decomposition and Hidden Markov Model
مجله/کنفرانس: کامپیوترها در بیولوژی و پزشکی - Computers In Biology And Medicine
رشته های تحصیلی مرتبط: پزشکی، مهندسی پزشکی
گرایش های تحصیلی مرتبط: مغز و اعصاب، بیوالکتریک
کلمات کلیدی فارسی: نوار مغزی، صرع، تجزيه و تحليل فيلترینگ مکرر، ويژگي هاي طيفی، قدرت تجزيه حالت دینامیک، مدل پنهان ماركوف
کلمات کلیدی انگلیسی: EEG، Epilepsy، Iterative filtering decomposition، Spectral features، Dynamic mode decomposition power، Hidden Markov Model
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR - MedLine
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.compbiomed.2019.103571
دانشگاه: Department of Electrical Engineering, Indian Institute of Technology, Patna, India
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2020
ایمپکت فاکتور: 2/828 در سال 2019
شاخص H_index: 75 در سال 2020
شاخص SJR: 0/570 در سال 2019
شناسه ISSN: 0010-4825
شاخص Quartile (چارک): Q2 در سال 2019
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 17
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E14901
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Proposed approach


3- Techniques


4- Results


5- Conclusion and future scope


References

نمونه متن انگلیسی مقاله

Abstract


Electroencephalography (EEG) is a non-invasive method for the analysis of neurological disorders. Epilepsy is one of the most widespread neurological disorders and often characterized by repeated seizures. This paper intends to conduct an iterative filtering based decomposition of EEG signals to improve upon the accuracy of seizure detection. The proposed approach is evaluated using All India Institute of Medical Science (AIIMS) Patna EEG database and online CHB-MIT surface EEG database. The iterative filtering decomposition technique is applied to extract sub-components from the EEG signal. The feature set obtained from each segmented intrinsic mode function consists of 2-D power spectral density and time-domain features dynamic mode decomposition power, variance, and Katz fractal dimension. The Hidden Markov Model (HMM) based probabilistic model has been designed using the above-stated features representing the seizure and non-seizure EEG events. The EEG signal is classified based on the maximum score obtained from the individual feature-based classifiers. The maximum score derived from each HMM classifier gives the final class information. The proposed decomposition of EEG signals achieved 99.60% and 99.74% accuracy in seizure detection for the online CHB-MIT surface EEG database and AIIMS Patna EEG database, respectively.


Introduction


EEG has a wide application in the diagnosis of neurological diseases such as dementia, migraine, and epilepsy [1]. Epilepsy is a non-communicable disease that can affect people of different ages. Nearly 70 million people are affected by epilepsy all over the world, and in India alone, 12 million people are suffering from epilepsy [2]. The unexpected simultaneous activity of groups of neurons is called a seizure. The duration of seizure in continuous EEG signals varies from 1 to 10 seconds. Depending on the seizure condition, the recording duration varies from minutes to hours. At present, the seizure detection is manual, and accuracy depends largely on the doctor’s experience. There is an urgent requirement to develop an efficient algorithm which can detect seizure efficiently from continuous EEG signal. There are different state-of-the-art methods proposed for seizure detection. Discrete wavelet transform (DWT) and empirical mode decomposition (EMD) are widely used techniques for data decomposition. EMD time-domain features and frequency domain features with a linear discriminant analysis classifier are used for seizure classification [3]. Multivariate empirical mode decomposition, instantaneous rate, instantaneous amplitude, and artificial neural network are efficient in seizure detection [4]. EMD intrinsic mode function (IMF) and Higher-order moment features are found to be effective in seizure detection [5]. DWT coefficients are found to be efficient in seizure and non-seizure classification [6]. Energy ratio from wavelet coefficients and ant colony classifier achieved good classification accuracy [7]. Stationary wavelet transform has a good application in seizure detection.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

استفاده از مدل پنهان مارکوف برای تشخیص حمله صرعی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها