All

What are you looking for?

All
Projects
Results
Organizations

Quick search

  • Projects supported by TA ČR
  • Excellent projects
  • Projects with the highest public support
  • Current projects

Smart search

  • That is how I find a specific +word
  • That is how I leave the -word out of the results
  • “That is how I can find the whole phrase”

Analysis of features of epileptic EEG recordings

The result's identifiers

  • Result code in IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21460%2F18%3A00326416" target="_blank" >RIV/68407700:21460/18:00326416 - isvavai.cz</a>

  • Result on the web

    <a href="https://www.prolekare.cz/casopisy/ceska-slovenska-neurologie/2018/dokumenty/32_slovensky_a_cesky_neurologicky_zjazd_a_65_spolocny_slovensky_a_cesky_zjazd_klinickej_neurofyziologie-1-64" target="_blank" >https://www.prolekare.cz/casopisy/ceska-slovenska-neurologie/2018/dokumenty/32_slovensky_a_cesky_neurologicky_zjazd_a_65_spolocny_slovensky_a_cesky_zjazd_klinickej_neurofyziologie-1-64</a>

  • DOI - Digital Object Identifier

Alternative languages

  • Result language

    čeština

  • Original language name

    Analýza příznaků epileptických EEG záznamů

  • Original language description

    Elektroencefalografie (EEG) je neinvazivní metoda, která může být použita pro vyšetřování epilepsie. S ohledem na časovou náročnost zpracování dlouhodobých EEG záznamů navrhujeme automatický systém, který lékaře upozorní na významnou aktivitu vyskytující se v záznamu. Pro automatickou klasifikaci pomocí klasifikačního algoritmu k-NN je třeba EEG záznam rozdělit na segmenty a z nich vybrat etalony pro třídy dle typu mozkové aktivity a třídy obsahující artefakty. Segmenty lze popsat různými příznaky. Tento příspěvek se zabývá analýzou příznaků, které se používají k detekci epileptické aktivity v EEG záznamu. Data použitá k analýze byla naměřena v Nemocnici Na Bulovce a byla schválena její EK. Pro účely analýzy bylo použito 5 ambulantních záznamů a data byla předzpracována prostřednictvím adaptivní segmentace. Pro klasifikaci bylo zvoleno celkem 24 příznaků. Tyto příznaky byly vypočteny pro vybrané segmenty typické pro dané třídy (výběr na základě k-means a evaluace experta). Příznaky pak byly hodnoceny pomocí výpočtu jejich vzájemné korelace a testováním jejich normálního rozložení. Na základě korelace mezi příznaky byl následně snižován počet příznaků. K hodnocení klasifikace pomocí k-NN byla použita křížová validace vedoucí ke konfuzní matici a statistickým charakteristikám: senzitivita, specificita a přesnost. Klasifikace do tříd byla hodnocena pro různý počet příznaků. Testování normality ukázalo, že žádný z 24 příznaků u žádného záznamu nelze aproximovat normálním rozložením (α = 5 %). Analýza příznaků pomocí korelací ukázala, které příznaky jsou jedinečné a které nesou obdobnou informaci. Míra korelace byla napříč příznaky variabilní. Přesnost klasifikace i po redukci počtu příznaků neklesla pod 90 %, senzitivita se v průměru pohybovala okolo 94 % a specificita okolo 96 %. Výsledky klasifikace naznačují, že díky vysoké korelaci příznaků mezi sebou lze vybrat 5 příznaků tak, aby jejich klasifikace byla dostačující bez výrazného poklesu její přesnosti.

  • Czech name

    Analýza příznaků epileptických EEG záznamů

  • Czech description

    Elektroencefalografie (EEG) je neinvazivní metoda, která může být použita pro vyšetřování epilepsie. S ohledem na časovou náročnost zpracování dlouhodobých EEG záznamů navrhujeme automatický systém, který lékaře upozorní na významnou aktivitu vyskytující se v záznamu. Pro automatickou klasifikaci pomocí klasifikačního algoritmu k-NN je třeba EEG záznam rozdělit na segmenty a z nich vybrat etalony pro třídy dle typu mozkové aktivity a třídy obsahující artefakty. Segmenty lze popsat různými příznaky. Tento příspěvek se zabývá analýzou příznaků, které se používají k detekci epileptické aktivity v EEG záznamu. Data použitá k analýze byla naměřena v Nemocnici Na Bulovce a byla schválena její EK. Pro účely analýzy bylo použito 5 ambulantních záznamů a data byla předzpracována prostřednictvím adaptivní segmentace. Pro klasifikaci bylo zvoleno celkem 24 příznaků. Tyto příznaky byly vypočteny pro vybrané segmenty typické pro dané třídy (výběr na základě k-means a evaluace experta). Příznaky pak byly hodnoceny pomocí výpočtu jejich vzájemné korelace a testováním jejich normálního rozložení. Na základě korelace mezi příznaky byl následně snižován počet příznaků. K hodnocení klasifikace pomocí k-NN byla použita křížová validace vedoucí ke konfuzní matici a statistickým charakteristikám: senzitivita, specificita a přesnost. Klasifikace do tříd byla hodnocena pro různý počet příznaků. Testování normality ukázalo, že žádný z 24 příznaků u žádného záznamu nelze aproximovat normálním rozložením (α = 5 %). Analýza příznaků pomocí korelací ukázala, které příznaky jsou jedinečné a které nesou obdobnou informaci. Míra korelace byla napříč příznaky variabilní. Přesnost klasifikace i po redukci počtu příznaků neklesla pod 90 %, senzitivita se v průměru pohybovala okolo 94 % a specificita okolo 96 %. Výsledky klasifikace naznačují, že díky vysoké korelaci příznaků mezi sebou lze vybrat 5 příznaků tak, aby jejich klasifikace byla dostačující bez výrazného poklesu její přesnosti.

Classification

  • Type

    O - Miscellaneous

  • CEP classification

  • OECD FORD branch

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Result continuities

  • Project

    <a href="/en/project/GA17-20480S" target="_blank" >GA17-20480S: Temporal context in analysis of long-term non-stationary multidimensional signal</a><br>

  • Continuities

    S - Specificky vyzkum na vysokych skolach

Others

  • Publication year

    2018

  • Confidentiality

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů