Biblioteca122.739 documentos en línea

Artículo

Exploiting Feature Selection and Neural Network Techniques for Identification of Focal and Nonfocal EEG Signals in TQWT DomainExplotación de técnicas de selección de características y redes neuronales para la identificación de señales EEG focales y no focales en el dominio TQWT

Resumen

Para los pacientes farmacorresistentes, la extirpación de una parte del cerebro como causa de los ataques epilépticos es un remedio quirúrgico. Sin embargo, antes de la cirugía, el análisis detallado del área de localización de la epilepsia es un paso esencial y lógico. Las señales del electroencefalograma (EEG) de estas zonas son distintas y se denominan focales, mientras que las señales del EEG de otras zonas normales se conocen como no focales. La inspección visual de múltiples canales para detectar la señal de EEG focal requiere mucho tiempo y es propensa a errores humanos. Para hacer frente a este reto, proponemos un método novedoso basado en el operador diferencial y la transformada wavelet de factor Q sintonizable (TQWT) para distinguir las señales focales de las no focales. Para ello, primero se diferenció la señal de EEG y luego se descompuso mediante TQWT. En segundo lugar, se obtuvieron varias características basadas en la entropía a partir de las subbandas de la TQWT. En tercer lugar, se evaluó la eficacia de seis algoritmos binarios de selección de características: el algoritmo del murciélago binario (BBA), el algoritmo de la evolución diferencial binaria (BDE), el algoritmo de la luciérnaga (FA), el algoritmo genético (GA), la optimización del lobo gris (GWO) y la optimización del enjambre de partículas (PSO). Al final, las características seleccionadas se introdujeron en varios clasificadores de aprendizaje automático y redes neuronales. Observamos que la PSO con redes neuronales proporciona una solución eficaz para la aplicación de la detección de señales focales de EEG. El marco propuesto dio como resultado una precisión de clasificación media del 97,68%, una sensibilidad del 97,26% y una especificidad del 98,11% en una estrategia de validación cruzada de diez veces, que es superior al estado del arte utilizado en la base de datos pública de EEG de Berna-Barcelona.

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento