تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

دانلود رایگان مقاله انگلیسی شبکه عصبی مصنوعی برای پیش بینی تشنج با استفاده از الکتروانسفالوگرام جمجمه – الزویر ۲۰۱۸

عنوان فارسی: شبکه عصبی مصنوعی برای پیش بینی تشنج با استفاده از الکتروانسفالوگرام داخل جمجمه و پوست سر
عنوان انگلیسی: Convolutional neural networks for seizure prediction using intracranial and scalp electroencephalogram
تعداد صفحات مقاله انگلیسی : 27 تعداد صفحات ترجمه فارسی : ترجمه نشده
سال انتشار : 2018 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
نوع نگارش : مقالات پژوهشی (تحقیقاتی) پایگاه : اسکوپوس
کد محصول : E10737 رفرنس : دارد
محتوای فایل : PDF حجم فایل : mb 3
رشته های مرتبط با این مقاله: مهندسی کامپیوتر، فناوری اطلاعات، پزشکی
گرایش های مرتبط با این مقاله: هوش مصنوعی، شبکه های کامپیوتری، مغز و اعصاب
مجله: شبکه های عصبی - Neural Networks
دانشگاه: School of Electrical and Information Engineering - University of Sydney - Australia
کلمات کلیدی: پیش بینی تشخیص، شبکه عصبی کانولوشن، یادگیری ماشین، EEG داخل جمجمه، EEG پوست سر
doi یا شناسه دیجیتال: https://doi.org/10.1016/j.neunet.2018.04.018
برای سفارش ترجمه این مقاله با کیفیت عالی و در کوتاه ترین زمان ممکن توسط مترجمین مجرب سایت ایران عرضه؛ روی دکمه سبز رنگ کلیک نمایید.
چکیده

Abstract

Seizure prediction has attracted growing attention as one of the most challenging predictive data analysis efforts to improve the life of patients with drug-resistant epilepsy and tonic seizures. Many outstanding studies have reported great results in providing sensible indirect (warning systems) or direct (interactive neural stimulation) control over refractory seizures, some of which achieved high performance. However, to achieve high sensitivity and a low false prediction rate, many of these studies relied on handcraft feature extraction and/or tailored feature extraction, which is performed for each patient independently. This approach, however, is not generalizable, and requires significant modifications for each new patient within a new dataset. In this article, we apply convolutional neural networks to different intracranial and scalp electroencephalogram (EEG) datasets and propose a generalized retrospective and patient-specific seizure prediction method. We use the short-time Fourier transform on 30-s EEG windows to extract information in both the frequency domain and the time domain. The algorithm automatically generates optimized features for each patient to best classify preictal and interictal segments. The method can be applied to any other patient from any dataset without the need for manual feature extraction. The proposed approach achieves sensitivity of 81.4%, 81.2%, and 75% and a false prediction rate of 0.06/h, 0.16/h, and 0.21/h on the Freiburg Hospital intracranial EEG dataset, the Boston Children’s Hospital–MIT scalp EEG dataset, and the American Epilepsy Society Seizure Prediction Challenge dataset, respectively. Our prediction method is also statistically better than an unspecific random predictor for most of the patients in all three datasets.

نتیجه گیری

Conclusion

Seizure prediction capability has been studied and improved over the last four decades. A perfect prediction is not yet available, but with current prediction 345 performance it appears possible to provide patients with a warning so they can take some precautions for their safety. We proposed a novel approach of using CNNs with minimum feature engineering. The proposed approach showed its good generalization in working well with both iEEG and sEEG data. This gives more patients the opportunity to possess a seizure prediction device that can 350 help them have a more manageable life.