No/VOL: 12/2023 Page no.
Authors: Md-Shaikh-Abrar Kabir , Faisal Farhan , Adnan Siddiquee , Oli Baroi , Taniza Marium , Md-Jakaria Rahimi :
Title: Wpływ redukcji kanału wejściowego na wykrywanie napadów EEG
Abstract: W tym badaniu zbadano skuteczność sześciu algorytmów uczenia maszynowego i ośmiu algorytmów głębokiego uczenia się w analizie sygnałów elektroencefalogramu (EEG) w celu wykrywania napadów padaczkowych. W badaniu wykorzystano 14 kanałów w urządzeniu EMOTIV EPOC+ opartym na międzynarodowym systemie 10-20. Aby znaleźć najbardziej pouczający i wrażliwy kanał, usuwano jeden z 14 kanałów na raz. Wartości dokładności określono dla wszystkich metod przy użyciu dwóch różnych publicznie dostępnych zbiorów danych: zbioru danych dotyczących padaczki w Gwinei Bissau i zbioru danych dotyczących padaczki w Nigerii. W przypadku modeli uczenia maszynowego wydajność klasyfikatora SVM jest najlepsza przy maksymalnej dokładności 83,2% (Gwinea Bissau) i 77% (Nigeria) bez wykluczania jakichkolwiek kanałów. Nie zaobserwowano znaczącego pogorszenia wydajności w przypadku wykluczenia pojedynczego kanału tego klasyfikatora. Wśród modeli głębokiego uczenia się cztery modele o najlepszych wynikach pod względem dokładności to CNN-LSTM (92,5%), IC-RNN (91,8%), ChronoNet (91,1%) i CDRNN (88,6%). Po wykluczeniu jednego kanału na raz i zbadaniu ich wpływu na działanie czterech modeli DL zaobserwowano, że najważniejsze i najbardziej czułe kanały znajdują się w strefie czołowej i ciemieniowej. Odkrycie to będzie bardzo przydatne w praktyce, gdyż wskazuje, że elektrody w strefie czołowej i ciemieniowej powinny być umieszczone z absolutną precyzją, aby umożliwić trafną diagnostykę schorzeń. Ponadto w badaniu tym zbadano również skuteczność wybranych klasyfikatorów w wykrywaniu napadów w przypadku awarii dowolnego konkretnego kanału sygnałowego EEG.
Key words: EEG, drgawki, klasyfikator, wybór kanału