Klasifikace epileptických EEG záznamů pomocí MLP – kritická rešerše

Kód výsledku v 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>

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

Klasifikace epileptických EEG záznamů pomocí MLP – kritická rešerše

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

Classification of epileptic EEG recordings using MLP – critical review

Popis výsledku anglicky

Automatic classification of EEG segments using artificial neural networks (ANN), multi-layer perceptron (MLP) resp., is a widely discussed topic in recent years. This classification results in distinguishing epileptic activity (not only epileptic spikes) from physiological background or artifacts. The aim of this abstract is to critically review publications suggesting MLP applied on EEG segments. In the recent studies, the classification methods are evaluated using confusion matrices and their coefficients such as sensitivity, specificity or selectivity. These coefficients depend on used parameters or methodology of the classification process. For critical review following parameters were evaluated: number of classes, feature selection, neural network topology, selection of training sets. Values of sensitivity, specificity and selectivity are high (90-100%) in studies classifying only into 2 classes. When classifying into more classes or noisy recording or EEG with non-epileptic transients, the coefficients are lower to tens of percent. The evaluation coefficients can be also influenced by pre-processing or by segmentation method. Better results are in studies where only sections pre-selected by an expert are classified, compared to studies classifying all segments in recording. The number of features has also an effect. More features may not mean higher sensitivity of classification due to correlation of some features or the features may not be linearly separable in the dimension of the features space. The topology of the ANN is usually chosen experimentally. If the training sets consist of segments from different patients, the coefficients have lower values due to the interpersonal variability. In conclusion, using MLP is strongly influenced by many parameters. Despite these disadvantages, the MLP seems to be a suitable classificator for epileptic EEG recordings due to the probable ability to detect hidden temporal contexts.

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