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