Published March 1, 2019
| Version v1
Publication
Open
Principle components analysis for seizures prediction using wavelet transform
Description
Epilepsy is a disease in which frequent seizures occur due to abnormal activity of neurons.Patients affected by this disease can be treated with the help of medicines or surgical procedures.However, both of these methods are not quite useful.The only method to treat epilepsy patients effectively is to predict the seizure before its onset.It has been observed that abnormal activity in the brain signals starts before the occurrence of seizure known as the preictal state.Many researchers have proposed machine learning models for prediction of epileptic seizures by detecting the start of preictal state.However, pre-processing, feature extraction and classification remains a great challenge in the prediction of preictal state.Therefore, we propose a model that uses common spatial pattern filtering and wavelet transform for preprocessing, principal component analysis for feature extraction and support vector machines for detecting preictal state.We have applied our model on 23 subjects and an average sensitivity of 93.1% has been observed for 84 seizures.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الصرع هو مرض تحدث فيه نوبات متكررة بسبب النشاط غير الطبيعي للخلايا العصبية. يمكن علاج المرضى المتضررين من هذا المرض بمساعدة الأدوية أو الإجراءات الجراحية. ومع ذلك، فإن كلتا الطريقتين ليست مفيدة للغاية. الطريقة الوحيدة لعلاج مرضى الصرع بشكل فعال هي التنبؤ بالنوبة قبل بدايتها. وقد لوحظ أن النشاط غير الطبيعي في إشارات الدماغ يبدأ قبل حدوث النوبة المعروفة باسم حالة ما قبل النوبة. اقترح العديد من الباحثين نماذج التعلم الآلي للتنبؤ بنوبات الصرع من خلال الكشف عن بداية حالة ما قبل النوبة. ومع ذلك، لا تزال المعالجة المسبقة واستخراج الميزات وتصنيفها تمثل تحديًا كبيرًا في التنبؤ بحالة ما قبل النوبة. لذلك، نقترح نموذجًا يستخدم تصفية الأنماط المكانية الشائعة وتحويل الموجات الصغيرة للمعالجة المسبقة، وتحليل المكونات الرئيسية لاستخراج الميزات وآلات ناقلات الدعم للكشف عن حالة ما قبل النوبة. لقد طبقنا نموذجنا على 23 شخصًا ومتوسط حساسية 93.1 ٪ لوحظ في 84 نوبة.Translated Description (French)
L'épilepsie est une maladie dans laquelle des crises fréquentes se produisent en raison de l'activité anormale des neurones.Les patients atteints de cette maladie peuvent être traités à l'aide de médicaments ou de procédures chirurgicales.Toutefois, ces deux méthodes ne sont pas très utiles.La seule méthode pour traiter efficacement les patients épileptiques est de prédire la crise avant son apparition.Il a été observé qu'une activité anormale dans les signaux cérébraux commence avant l'apparition de la crise connue sous le nom d'état prédictif.Plusieurs chercheurs ont proposé des modèles d'apprentissage automatique pour la prédiction des crises épileptiques en détectant le début de l'état prédictif.Toutefois, le prétraitement, l'extraction et la classification des caractéristiques restent un grand défi dans la prédiction de l'état prédictif.Par conséquent, nous proposons un modèle qui utilise le filtrage spatial commun et la transformation en ondelettes pour le prétraitement, l'analyse en composantes principales pour l'extraction des caractéristiques et les machines vectorielles de soutien pour la détection de l'état prédictif.Nous avons appliqué notre modèle sur 23 sujets et une sensibilité moyenne de 93,1 % a été observée pour 84 crises.Translated Description (Spanish)
La epilepsia es una enfermedad en la que ocurren convulsiones frecuentes debido a la actividad anormal de las neuronas. Los pacientes afectados por esta enfermedad pueden tratarse con la ayuda de medicamentos o procedimientos quirúrgicos. Sin embargo, ambos métodos no son muy útiles. El único método para tratar a los pacientes con epilepsia de manera efectiva es predecir la convulsión antes de su aparición. Se ha observado que la actividad anormal en las señales cerebrales comienza antes de la aparición de la convulsión conocida como estado preictal. Muchos investigadores han propuesto modelos de aprendizaje automático para la predicción de las convulsiones epilépticas mediante la detección del inicio del estado preictal. Sin embargo, el preprocesamiento, la extracción de características y la clasificación siguen siendo un gran desafío en la predicción del estado preictal. Por lo tanto, proponemos un modelo que utiliza el filtrado de patrones espaciales comunes y la transformación de ondículas para el preprocesamiento, el análisis de componentes principales para la extracción de características y las máquinas de vectores de soporte para detectar el estado preictal. Hemos aplicado nuestro modelo en 23 sujetos y se ha observado una sensibilidad promedio del 93,1% para 84 convulsiones.Files
1021833ijaas201903008.pdf.pdf
Files
(1.5 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:e54c94c487d218cfd3db08bf9f7929cf
|
1.5 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تحليل المكونات الرئيسية للتنبؤ بالمضبوطات باستخدام تحويل الموجات الصغيرة
- Translated title (French)
- Analyse des composants principaux pour la prédiction des crises à l'aide de la transformée en ondelettes
- Translated title (Spanish)
- Análisis de componentes principales para la predicción de convulsiones utilizando transformada wavelet
Identifiers
- Other
- https://openalex.org/W2912746237
- DOI
- 10.21833/ijaas.2019.03.008
References
- https://openalex.org/W1584531343
- https://openalex.org/W1972496509
- https://openalex.org/W1979148805
- https://openalex.org/W1989385468
- https://openalex.org/W1998221425
- https://openalex.org/W2007221293
- https://openalex.org/W2035868320
- https://openalex.org/W2057127352
- https://openalex.org/W2069115302
- https://openalex.org/W2077008944
- https://openalex.org/W2098395403
- https://openalex.org/W2119234283
- https://openalex.org/W2122923860
- https://openalex.org/W2126030941
- https://openalex.org/W2132360759
- https://openalex.org/W2152282628
- https://openalex.org/W2160369036
- https://openalex.org/W2168600256
- https://openalex.org/W2175235591
- https://openalex.org/W2246329527
- https://openalex.org/W2317674142
- https://openalex.org/W2338092193
- https://openalex.org/W2346753191
- https://openalex.org/W2465455179
- https://openalex.org/W2767033786
- https://openalex.org/W2777670961