• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Journal of Biomedical Research >Hidden Markov model based epileptic seizure detection using tunable Q wavelet transform
【2h】

Hidden Markov model based epileptic seizure detection using tunable Q wavelet transform

机译：基于可调谐Q小波变换的基于隐马尔可夫模型的癫痫发作检测

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Epilepsy is one of the most prevalent neurological disorders affecting 70 million people worldwide. The present work is focused on designing an efficient algorithm for automatic seizure detection by using electroencephalogram (EEG) as a noninvasive procedure to record neuronal activities in the brain. EEG signals' underlying dynamics are extracted to differentiate healthy and seizure EEG signals. Shannon entropy, collision entropy, transfer entropy, conditional probability, and Hjorth parameter features are extracted from subbands of tunable Q wavelet transform. Efficient decomposition level for different feature vector is selected using the Kruskal-Wallis test to achieve good classification. Different features are combined using the discriminant correlation analysis fusion technique to form a single fused feature vector. The accuracy of the proposed approach is higher for =2 and =10. Transfer entropy is observed to be significant for different class combinations. Proposed approach achieved 100% accuracy in classifying healthy-seizure EEG signal using simple and robust features and hidden Markov model with less computation time. The proposed approach efficiency is evaluated in classifying seizure and non-seizure surface EEG signals. The system has achieved 96.87% accuracy in classifying surface seizure and nonseizure EEG segments using efficient features extracted from different J level.
机译：癫痫病是最普遍的神经系统疾病之一，影响全世界7千万人。目前的工作集中在设计一种有效的算法，通过使用脑电图（EEG）作为记录大脑中神经元活动的一种非侵入性程序来自动检测癫痫发作。提取脑电信号的基本动态，以区分健康和癫痫性脑电信号。从可调谐Q小波变换的子带中提取Shannon熵，碰撞熵，传递熵，条件概率和Hjorth参数特征。使用Kruskal-Wallis检验选择不同特征向量的有效分解级别，以实现良好的分类。使用判别相关分析融合技术将不同的特征进行组合，以形成单个融合的特征向量。对于= 2和= 10，提出的方法的准确性更高。观察到转移熵对于不同类别的组合是显着的。提出的方法使用简单而强大的功能以及隐式马尔可夫模型以较少的计算时间，在对健康性癫痫脑电信号进行分类时达到了100％的准确性。在对癫痫发作和非癫痫发作表面EEG信号进行分类时，对所提出的方法效率进行了评估。该系统使用从不同J级提取的有效特征对表面癫痫发作和非癫痫发作脑电图段进行分类，已达到96.87％的准确性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号