J 2024

A Model for Epileptic Seizure Diagnosis Using the Combination of Ensemble Learningand Deep Learning

HOSSEINZADEH, MEHDI, PARISA KHOSHVAGHT, SAMIRA SADEGHI, PARVANEH ASGHARI, AMIRHOSSEIN NOROOZI VARZEGHANI et. al.

Základní údaje

Originální název

A Model for Epileptic Seizure Diagnosis Using the Combination of Ensemble Learningand Deep Learning

Název česky

Model pro diagnostiku epileptických záchvatů pomocí kombinace skupinového učení a hlubokého učení

Autoři

HOSSEINZADEH, MEHDI, PARISA KHOSHVAGHT, SAMIRA SADEGHI, PARVANEH ASGHARI, AMIRHOSSEIN NOROOZI VARZEGHANI, MOKHTAR MOHAMMADI, HOSSEIN MOHAMMADI, Jan LÁNSKÝ a LEE SANG-WOONG

Vydání

IEEE Access, USA, IEEE, 2024, 2169-3536

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Spojené státy

Utajení

není předmětem státního či obchodního tajemství

Odkazy

Odkaz na www fulltext článku

Organizační jednotka

Vysoká škola finanční a správní

DOI

http://dx.doi.org/10.1109/ACCESS.2024.3457018

Klíčová slova česky

Diagnostika epileptického záchvatu, skupinové učení, hluboké učení, záchvat

Klíčová slova anglicky

Epileptic seizure diagnosis, ensemble learning, deep learning, seizure

Štítky

AR 2024-2025, odměny_2025, POZNÁMKA, RIV_2025, xJ1

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 4. 10. 2024 10:52, Bc. Jan Peterec

Anotace

ORIG CZ

V originále

Epileptic seizures can be dangerous as they cause sudden and uncontrolled electrical activity in the brain which can lead to injuries if one falls or loss of control over physical functions. To mitigate these risks, machine learning and deep learning algorithms are being developed to anticipate seizure occurrences. Accurate prediction of seizures could enable patients to adopt preventive strategies or initiate medical interventions to halt seizures, thereby minimizing injuries and enhancing safety for individuals afflicted with epilepsy. This paper aims to combine neural networks and Ensemble learning to enhance the accuracy of diagnosing epileptic seizures. By leveraging the strengths of both techniques, the precision in seizure diagnosis can be significantly improved. It also improves the evaluation metrics used in machine learning methodologies for a more comprehensive assessment of diagnostic outcomes. This approach ensures a thorough understanding of the effectiveness of the proposed approach. In this paper, a model with a supreme precision rate is developed to detect epileptic seizures with the help of EEG signals. This study uses an ensemble method, which employs several algorithms, for instance XGB, SVM, RF, and BiLSTM. The used dataset is open access from Bonn University. The proposed methodology reached 98.52% accuracy, 97.37% precision, 95.29% recall, and 96.32% F1-score, respectively.

Česky

Epileptické záchvaty mohou být nebezpečné, protože způsobují náhlou a nekontrolovanou elektrickou aktivitu. v mozku, což může vést ke zranění při pádu nebo ke ztrátě kontroly nad fyzickými funkcemi. Ke zmírnění těchto rizika se vyvíjejí algoritmy strojového učení a hlubokého učení, které umožňují předvídat výskyt záchvatů. Přesné předvídání záchvatů by mohlo pacientům umožnit přijmout preventivní strategie nebo zahájit léčbu. zásahy k zastavení záchvatů, čímž by se minimalizovala zranění a zvýšila bezpečnost postižených osob. epilepsií. Cílem tohoto článku je kombinovat neuronové sítě a skupinové učení za účelem zvýšení přesnosti diagnostiky epileptických záchvatů. Využitím silných stránek obou technik se dosáhne přesnosti při záchvatech. diagnostiku záchvatů výrazně zlepšit. Zlepšují se také hodnotící metriky používané ve strojovém učení metodikách pro komplexnější hodnocení výsledků diagnostiky. Tento přístup zajišťuje důkladné pochopení účinnosti navrhovaného přístupu. V tomto příspěvku je použit model s nejvyšším přesností je vyvinut k detekci epileptických záchvatů pomocí signálů EEG. Tato studie využívá metoda souboru, která využívá několik algoritmů, například XGB, SVM, RF a BiLSTM. Použité datový soubor je volně přístupný z Bonnské univerzity. Navržená metodika dosáhla přesnosti 98,52 %, 97,37 %. přesnosti, 95,29 % odvolání a 96,32 % skóre F1.
Zobrazeno: 25. 12. 2024 07:25