Analýza příznaků epileptických EEG záznamů

Kód výsledku v 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>

Výsledek na webu

<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

—

Jazyk výsledku

čeština

Název v původním jazyce

Analýza příznaků epileptických EEG záznamů

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

Analysis of features of epileptic EEG recordings

Popis výsledku anglicky

Electroencephalography (EEG) is a non-invasive method that can be used for epilepsy examination. Considering the time consumption of evaluating long-term EEG recordings, automatic systems are suggested for detecting significant activity in the recordings. For automatic classification using k-NN algorithm, the EEG recordings are divided into segments. The etalons (training sets) are selected from these segments for classes according to the types of brain activity and for classes containing artefacts. Each segment can be described by different features. The aim of this study is the feature analysis for detecting epileptic activity in EEG recordings. Data were measured in Nemocnice Na Bulovce and approved by their EC. Five ambulant recordings were used for this analysis. Data were pre-processed using adaptive segmentation. For classification 24 features were selected. These features were calculated for segments typical for given classes (selection of etalons based on k-means and subsequent verification of an expert). The features were evaluated using correlation and normality was tested. The number of features was subsequently reduced based on high correlation between them. To evaluate selections of different number of features, segments were classified by k-NN with cross-validation leading to confusion matrix and characteristics: sensitivity, specificity, precision. Tests of normality showed that we cannot assume normality for any of the 24 features in any recording (α = 5 %). The correlation showed which features contain unique or similar information. The correlation measure varied across the features. The precision of classification after reducing the number of features to 5 never dropped below 90 %, average sensitivity was c. 94 % and specificity c. 96 %. The classification results indicate that we can use just 5 features for sufficient classification without a significant drop in precision due to the high correlation between the basic set of 24 features.

Druh

O - Ostatní výsledky

CEP obor

—

OECD FORD obor

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

Projekt

<a href="/cs/project/GA17-20480S" target="_blank" >GA17-20480S: Časový kontext v úloze analýzy dlouhodobého nestacionárního vícerozměrného signálu</a><br>

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2018

Kód důvěrnosti údajů

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