Pre-processed and combined EEG data for epileptic seizure classification using deep learning

脑电图 计算机科学 快速傅里叶变换 人工智能 模式识别(心理学) 卷积神经网络 信号(编程语言) 癫痫发作 深度学习 特征(语言学) 人工神经网络 癫痫 语音识别 心理学 算法 神经科学 程序设计语言 哲学 语言学
作者
Yazan Zaid,Melike Şah,Cem Direkoğlu
出处
期刊:Biomedical Signal Processing and Control [Elsevier]
卷期号:84: 104738-104738 被引量:10
标识
DOI:10.1016/j.bspc.2023.104738
摘要

Epilepsy is a neurological disease that affects nearly 60 million people around the world. Electroencephalography (EEG) and Machine Learning (ML) can be used to detect epileptic seizures, where ML algorithms depend on hand crafted features. Recently, deep learning (DL) methods became popular due to automatic feature learning. However, current DL based approaches mainly focuses on different DL architecture design, especially deeper DL networks. Only few works experiment modified EEG data as an input to DL models. In this work, we propose modified, pre-processed and combined EEG signals as an input to different DL models for epilepsy seizure classification rather than using raw EEG signals. A variety of pre-processed and combined EEG signals have been evaluated with three different DL architectures: A simple Deep Neural Network (DNN) model and a moderately complex 1D-Convolutional Neural Network (CNN) model and a complex 1D-CNN model. We perform several experiments for two-class and three-class epileptic seizure classification on UCI-Bonn dataset using the proposed EEG signals: (1)Original EEG signal of UCI-Bonn dataset, (2)standardized EEG signal, (3)original EEG signal combined with squared EEG signal, and then standardized, (4)original EEG signal combined with differentiated EEG signal, and then standardized, and (5)original EEG signal combined with magnitude of Fast Fourier Transform (FFT) of EEG signal, and then standardized (original + FFT). Extensive evaluations and comparisons show that the best results are achieved with original + FFT combination on all DL architectures. Using original + FFT EEG signal, competitive results can be achieved with simple and moderately complex DL models, by utilizing less computational resources.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
diudiu发布了新的文献求助10
1秒前
幽默白柏发布了新的文献求助10
2秒前
卿沐发布了新的文献求助10
2秒前
是小裴呀发布了新的文献求助10
3秒前
csy发布了新的文献求助10
3秒前
蓝桉发布了新的文献求助10
4秒前
完美世界应助浪沧一刀采纳,获得10
6秒前
6秒前
星辰大海应助高贵绿草采纳,获得10
7秒前
123发布了新的文献求助10
9秒前
一一发布了新的文献求助10
12秒前
ttt完成签到,获得积分10
12秒前
港岛妹妹应助卿沐采纳,获得20
13秒前
13秒前
csy关闭了csy文献求助
14秒前
14秒前
Richardisme完成签到 ,获得积分10
15秒前
15秒前
cc完成签到,获得积分10
15秒前
吕培森发布了新的文献求助10
15秒前
16秒前
16秒前
852应助蓝桉采纳,获得10
16秒前
幽默白柏完成签到,获得积分10
16秒前
17秒前
一枚研究僧应助Xzmmmm采纳,获得10
17秒前
17秒前
CipherSage应助玉米侠采纳,获得10
17秒前
18秒前
王九八发布了新的文献求助10
18秒前
rrrr发布了新的文献求助10
19秒前
呼延含双发布了新的文献求助10
19秒前
高贵绿草发布了新的文献求助10
20秒前
Veee发布了新的文献求助10
22秒前
吕培森完成签到 ,获得积分10
23秒前
叶黄戍发布了新的文献求助30
23秒前
23秒前
ren发布了新的文献求助10
23秒前
打打应助可爱小哇哦采纳,获得10
25秒前
卿沐完成签到,获得积分20
25秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256085
求助须知:如何正确求助?哪些是违规求助? 2898220
关于积分的说明 8300473
捐赠科研通 2567352
什么是DOI,文献DOI怎么找? 1394499
科研通“疑难数据库(出版商)”最低求助积分说明 652817
邀请新用户注册赠送积分活动 630511