Study of Learning Entropy for onset detection of epileptic seizures in EEG time series

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F16%3A00305512" target="_blank" >RIV/68407700:21220/16:00305512 - isvavai.cz</a>

Výsledek na webu

<a href="http://ieeexplore.ieee.org/document/7727621/" target="_blank" >http://ieeexplore.ieee.org/document/7727621/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/IJCNN.2016.7727621" target="_blank" >10.1109/IJCNN.2016.7727621</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Study of Learning Entropy for onset detection of epileptic seizures in EEG time series

Popis výsledku v původním jazyce

This paper presents a case study of non-Shannon entropy, i.e. Learning Entropy (LE), for instant detection of onset of epileptic seizures in individual EEG time series. Contrary to entropy methods of EEG evaluation that are based on probabilistic computations, we present the LE-based approach that evaluates the conformity of individual samples of data to the contemporary learned governing law of a learning system and thus LE can detect changes of dynamics on individual samples of data. For comparison, the principle and the results are compared to the Sample Entropy approach. The promising results indicate the LE potentials for feature extraction enhancement for early detection of epileptic seizures on individual-data-sample basis.

Název v anglickém jazyce

Study of Learning Entropy for onset detection of epileptic seizures in EEG time series

Popis výsledku anglicky

This paper presents a case study of non-Shannon entropy, i.e. Learning Entropy (LE), for instant detection of onset of epileptic seizures in individual EEG time series. Contrary to entropy methods of EEG evaluation that are based on probabilistic computations, we present the LE-based approach that evaluates the conformity of individual samples of data to the contemporary learned governing law of a learning system and thus LE can detect changes of dynamics on individual samples of data. For comparison, the principle and the results are compared to the Sample Entropy approach. The promising results indicate the LE potentials for feature extraction enhancement for early detection of epileptic seizures on individual-data-sample basis.

Druh

D - Stať ve sborníku

CEP obor

BC - Teorie a systémy řízení

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2016

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of International Joint Conference on Neural Networks 2016

ISBN

9781509006199

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

3302-3305

Název nakladatele

IEEE

Místo vydání

New York

Místo konání akce

Vancouver

Datum konání akce

24. 7. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—