Classification of epileptic EEG recordings using MLP – critical review

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21460%2F18%3A00326427" target="_blank" >RIV/68407700:21460/18:00326427 - 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

—

Result language

čeština

Original language name

Klasifikace epileptických EEG záznamů pomocí MLP – kritická rešerše

Original language description

Automatická klasifikace EEG grafoelementů pomocí umělých neuronových sítí (ANN), přesněji pomocí vícevrstvé perceptronové sítě (MLP), je v posledních letech velmi diskutované téma. Výsledkem klasifikace má být přiřazení grafoelementů do několika tříd, snahou je oddělit epileptickou aktivitu (a to nejen hroty) od fyziologického pozadí či artefaktů. Cílem této práce je kriticky zhodnotit v publikacích navržené MLP klasifikátory EEG segmentů. Publikované studie hodnotí své klasifikátory pomocí koeficientů z konfuzních matic: senzitivita, specificita či selektivita. Tyto koeficienty závisí na dalších parametrech či metodice. Pro kritické zhodnocení jsme zkoumali počet tříd klasifikace, výběr příznaků, topologii neuronové sítě, výběr trénovací množiny. Hodnoty senzitivity, specificity a selektivity jsou vysoké (90–100 %) u studií, které klasifikují pouze do 2 tříd. Při klasifikaci do více tříd, při klasifikaci EEG v šumu či EEG s neepileptickými trasienty jsou hodnoty koeficientů nižší až o desítky procentních bodů. Na koeficienty má také vliv předzpracování signálu nebo výběr metody segmentace EEG záznamu. Lépe vycházejí studie, kde byly použity pouze segmenty vybrané expertem, oproti studiím klasifikujícím všechny segmenty v EEG záznamu. Dalším vlivem je počet příznaků počítaných ze segmentů. Vyšší počet příznaků nemusí znamenat vyšší senzitivitu klasifikace z důvodu korelace některých příznaků či příznaky nemusí být lineárně separabilní v dané dimenzi příznakového prostoru. Volba topologie neuronové sítě je často volena experimentálně. Při výběru trénovací množiny napříč pacienty klesá vlivem interpersonální variability senzitivita, specificita i selektivita, oproti výběru trénovací množiny jen ze záznamu 1 pacienta. Celkově je klasifikace pomocí MLP silně ovlivněna mnoha aspekty a parametry. I přes tyto nevýhody se MLP síť zdá být vhodnou volbou pro klasifikaci epileptických EEG záznamů, neboť je pravděpodobně schopná detekovat i skryté temporální kontexty.

Czech name

Klasifikace epileptických EEG záznamů pomocí MLP – kritická rešerše

Czech description

Automatická klasifikace EEG grafoelementů pomocí umělých neuronových sítí (ANN), přesněji pomocí vícevrstvé perceptronové sítě (MLP), je v posledních letech velmi diskutované téma. Výsledkem klasifikace má být přiřazení grafoelementů do několika tříd, snahou je oddělit epileptickou aktivitu (a to nejen hroty) od fyziologického pozadí či artefaktů. Cílem této práce je kriticky zhodnotit v publikacích navržené MLP klasifikátory EEG segmentů. Publikované studie hodnotí své klasifikátory pomocí koeficientů z konfuzních matic: senzitivita, specificita či selektivita. Tyto koeficienty závisí na dalších parametrech či metodice. Pro kritické zhodnocení jsme zkoumali počet tříd klasifikace, výběr příznaků, topologii neuronové sítě, výběr trénovací množiny. Hodnoty senzitivity, specificity a selektivity jsou vysoké (90–100 %) u studií, které klasifikují pouze do 2 tříd. Při klasifikaci do více tříd, při klasifikaci EEG v šumu či EEG s neepileptickými trasienty jsou hodnoty koeficientů nižší až o desítky procentních bodů. Na koeficienty má také vliv předzpracování signálu nebo výběr metody segmentace EEG záznamu. Lépe vycházejí studie, kde byly použity pouze segmenty vybrané expertem, oproti studiím klasifikujícím všechny segmenty v EEG záznamu. Dalším vlivem je počet příznaků počítaných ze segmentů. Vyšší počet příznaků nemusí znamenat vyšší senzitivitu klasifikace z důvodu korelace některých příznaků či příznaky nemusí být lineárně separabilní v dané dimenzi příznakového prostoru. Volba topologie neuronové sítě je často volena experimentálně. Při výběru trénovací množiny napříč pacienty klesá vlivem interpersonální variability senzitivita, specificita i selektivita, oproti výběru trénovací množiny jen ze záznamu 1 pacienta. Celkově je klasifikace pomocí MLP silně ovlivněna mnoha aspekty a parametry. I přes tyto nevýhody se MLP síť zdá být vhodnou volbou pro klasifikaci epileptických EEG záznamů, neboť je pravděpodobně schopná detekovat i skryté temporální kontexty.

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)

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

Publication year

2018

Confidentiality

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