PHÁT HIỆN CÁC ĐẶC TRƯNG CỦA SÓNG ĐỘNG KINH TRÊN ĐIỆN NÃO ĐỒ

Hoàng Mạnh Hà

doi:10.34238/tnu-jst.10689

PHÁT HIỆN CÁC ĐẶC TRƯNG CỦA SÓNG ĐỘNG KINH TRÊN ĐIỆN NÃO ĐỒ

Thông tin bài báo

Ngày nhận bài: 02/07/24 Ngày hoàn thiện: 30/09/24 Ngày đăng: 30/09/24

Các tác giả

Hoàng Mạnh Hà , Trường Đại học Thủ Dầu Một

Tóm tắt

Trong chẩn đoán y khoa, bệnh động kinh được nhận biết bằng quan sát điện não đồ. Bệnh động kinh thường có mối tương quan chặt chẽ với một loạt cơn động kinh kéo dài hơn 3 giây. Việc phát hiện các đặc điểm này là vấn đề quan trọng nhất cho mục đích nhận dạng tự động. Trong xử lý tín hiệu, độ chính xác nhận dạng thường phụ thuộc vào việc trích xuất đặc trưng. Gần đây, học sâu là một công cụ hữu ích để trích xuất đặc điểm các cơn động kinh từ điện não đồ. Mặc dù học sâu là phương pháp tốt nhất cho vấn đề này nhưng nó đòi hỏi phần cứng mạnh để tính toán. Bài báo này sẽ chỉ ra rằng hàm số mũ có thể rút ra được đặc điểm của cơn động kinh. Hàm số mũ rất đơn giản nên giải pháp này có thể thiết lập trên mọi nền tảng. Kết quả thực nghiệm cho thấy phương pháp của chúng tôi có ưu điểm trong trường hợp các cơn động kinh phức tạp. Trong EEG, hàm số mũ cho biết vị trí của các cơn động kinh theo chuỗi thời gian. Mô hình phát hiện được mở rộng để nhận biết bệnh động kinh.

Từ khóa

Bệnh động kinh; Cơn động kinh; EEG; Đặc trưng; Hàm e mũ

Toàn văn:

PDF

Tài liệu tham khảo

[1] Q. C. Le, Epileptic, Medical Publishing House, 2005.

[2] R. Schuyler, A. White, and K. Staley, “Epileptic seizure detection,” IEEE Eng. Med.Biol. Mag., vol 26, no. 2, pp. 74-81, 2007.

[3] R. Splinter and K. Najarian, BioMedical Signal and Image Processing, CRC Press, 2012.

[4] M. S. Islam, K. Thapa, and S-H. Yang, “Epileptic-net: an improved epileptic seizure detection system using dense convolutional block with attention network from EEG,” Sensors, vol. 22, no. 3, p. 728, 2022.

[5] P. Kunekar, M. K. Gupta, and P. Gaur, “Detection of epileptic seizure in EEG signals using machine learning and deep learning techniques, ” J. Eng. Appl. Sci, vol. 71, no. 21, pp. 1-15, 2024.

[6] M. Banerjee, “EEG Signal for Epilepsy Detection: A Review, Journal of Envir onmental Science,” Journal of Environmental Science Computer Science and Engineering & Technology, vol. 55, no. 22, pp. 23-32, 2016.

[7] I. Güler and E. D. Übeyli, “Multiclass Support Vector Machines for EEG-Signals Classification,” IEEE Transactions on Information Technology in Biomedicine, vol. 11, no. 2, pp. 117-126, 2007.

[8] D. Wang, D. Miao, and C. Xie, “Best basis-based wavelet packet entropy feature extraction and hierarchical EEG classification for epileptic detection,” Expert Syst. Appl., vol. 11, no. 38, pp. 14314-14320, 2011.

[9] S. A. Shok and P. Mahalakshmi, “Wavelet based feature extraction for classiﬁcation of epileptic seizure EEG Signal,” Journal of Medical Engineering & Technology, vol. 41, no. 8, pp. 670-680, 2017.

[10] S. Mallat, “Singularities detection and processing with wavelets,” IEEE Transaction on Information Theory, vol. 38, no. 2, pp. 617-643, 1992.

[11] V. Bajaj and R. B. Pachori, "Classification of Seizure and Nonseizure EEG Signals Using Empirical Mode Decomposition," in IEEE Transactions on Information Technology in Biomedicine, vol. 16, no. 6, pp. 1135-1142, 2012.

DOI: https://doi.org/10.34238/tnu-jst.10689

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ