利用机器学习对癫痫发作和心智性非癫痫发作进行自动分类

K. Santos, Ricardo Pires
{"title":"利用机器学习对癫痫发作和心智性非癫痫发作进行自动分类","authors":"K. Santos, Ricardo Pires","doi":"10.32640/TASJ.2019.1.15","DOIUrl":null,"url":null,"abstract":"Este artigo aborda o estudo e aplicação do classificador do tipo Máquina de Vetores de Suporte (SVM) na diferenciação entre crises epilépticas e crises não epilépticas psicogênicas (CNEP). Um banco de dados com exames de eletroencefalograma (EEG) contendo 117 crises epilépticas e 42 crises não epilépticas psicogênicas foram coletados na Unidade de Videoeletroencefalografia do Instituto de Psiquiatria do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (IPq-HCFMUSP). Baseando-se nos registros dos 18 canais do EEG durante cada crise, foram gerados vetores de características com quatro atributos: média, desvio padrão, valor máximo e valor mínimo. Estes vetores de características foram utilizados na fase de treinamento e avaliação do classificador SVM em quatro configurações de kernels disponíveis: Linear, Polinomial, Função de Base Radial (RBF) e Sigmoide. Como resultado, o kernel Polinomial apresentou melhor desempenho com a taxa de acerto (acurácia) de 78,7%, sensibilidade de 100% e especificidade de 2,4%. Com base nos vetores de características utilizados, foi possível concluir que o classificador SVM é adequado para a detecção de crises epilépticas, sendo inadequado para os casos de CNEP. Estes resultados podem ser otimizados com a aplicação da Transformada de Fourier ou Transformada Wavelet no tratamento prévio dos sinais de EEG, além da geração de vetores de características com atributos distintos.","PeriodicalId":227717,"journal":{"name":"The Academic Society Journal","volume":"1 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2019-03-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":"{\"title\":\"Classificação automática de crises epilépticas e crises não epilépticas psicogênicas utilizando aprendizado de máquina\",\"authors\":\"K. Santos, Ricardo Pires\",\"doi\":\"10.32640/TASJ.2019.1.15\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Este artigo aborda o estudo e aplicação do classificador do tipo Máquina de Vetores de Suporte (SVM) na diferenciação entre crises epilépticas e crises não epilépticas psicogênicas (CNEP). Um banco de dados com exames de eletroencefalograma (EEG) contendo 117 crises epilépticas e 42 crises não epilépticas psicogênicas foram coletados na Unidade de Videoeletroencefalografia do Instituto de Psiquiatria do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (IPq-HCFMUSP). Baseando-se nos registros dos 18 canais do EEG durante cada crise, foram gerados vetores de características com quatro atributos: média, desvio padrão, valor máximo e valor mínimo. Estes vetores de características foram utilizados na fase de treinamento e avaliação do classificador SVM em quatro configurações de kernels disponíveis: Linear, Polinomial, Função de Base Radial (RBF) e Sigmoide. Como resultado, o kernel Polinomial apresentou melhor desempenho com a taxa de acerto (acurácia) de 78,7%, sensibilidade de 100% e especificidade de 2,4%. Com base nos vetores de características utilizados, foi possível concluir que o classificador SVM é adequado para a detecção de crises epilépticas, sendo inadequado para os casos de CNEP. Estes resultados podem ser otimizados com a aplicação da Transformada de Fourier ou Transformada Wavelet no tratamento prévio dos sinais de EEG, além da geração de vetores de características com atributos distintos.\",\"PeriodicalId\":227717,\"journal\":{\"name\":\"The Academic Society Journal\",\"volume\":\"1 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2019-03-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"1\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"The Academic Society Journal\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.32640/TASJ.2019.1.15\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"The Academic Society Journal","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.32640/TASJ.2019.1.15","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 1

摘要

本文介绍了支持向量机分类器(SVM)在区分癫痫发作和非心因性癫痫发作(CNEP)中的研究和应用。在sao保罗大学医学院das clinicas医院精神病学研究所(IPq-HCFMUSP)的视频脑电图单元收集了一个包含117例癫痫发作和42例非心因性癫痫发作的脑电图数据库。根据每次癫痫发作期间18个脑电图通道的记录,生成具有均值、标准差、最大值和最小值4个属性的特征向量。这些特征向量被用于SVM分类器的训练和评估阶段,在四种可用的核配置:线性、多项式、径向基函数(RBF)和s型。结果表明,多项式核具有更好的性能,准确率(准确率)为78.7%,灵敏度为100%,特异性为2.4%。根据所使用的特征向量,可以得出SVM分类器适用于癫痫发作的检测,而不适用于CNEP病例。在脑电图信号预处理中应用傅里叶变换或小波变换,生成具有不同属性的特征向量,可以对这些结果进行优化。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
Classificação automática de crises epilépticas e crises não epilépticas psicogênicas utilizando aprendizado de máquina
Este artigo aborda o estudo e aplicação do classificador do tipo Máquina de Vetores de Suporte (SVM) na diferenciação entre crises epilépticas e crises não epilépticas psicogênicas (CNEP). Um banco de dados com exames de eletroencefalograma (EEG) contendo 117 crises epilépticas e 42 crises não epilépticas psicogênicas foram coletados na Unidade de Videoeletroencefalografia do Instituto de Psiquiatria do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (IPq-HCFMUSP). Baseando-se nos registros dos 18 canais do EEG durante cada crise, foram gerados vetores de características com quatro atributos: média, desvio padrão, valor máximo e valor mínimo. Estes vetores de características foram utilizados na fase de treinamento e avaliação do classificador SVM em quatro configurações de kernels disponíveis: Linear, Polinomial, Função de Base Radial (RBF) e Sigmoide. Como resultado, o kernel Polinomial apresentou melhor desempenho com a taxa de acerto (acurácia) de 78,7%, sensibilidade de 100% e especificidade de 2,4%. Com base nos vetores de características utilizados, foi possível concluir que o classificador SVM é adequado para a detecção de crises epilépticas, sendo inadequado para os casos de CNEP. Estes resultados podem ser otimizados com a aplicação da Transformada de Fourier ou Transformada Wavelet no tratamento prévio dos sinais de EEG, além da geração de vetores de características com atributos distintos.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
期刊最新文献
Seis anos da TASJ em perspectiva Monitoring a bioengineering class in a professional engineering specialization: is there concatenation of learning? Mulheres na tecnologia - fundamentos sobre a presença a partir de um contexto histórico Mulheres na Ciência - O Futuro STEM Feminino Análise computacional da variabilidade da frequência cardíaca a partir de sinais eletrocardiográficos
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1