サブバンドの非線形パラメーターと遺伝的アルゴリズムを使用したEEGの発作の検出

EEGでの発作の検出は、筋原性のアーティファクトのために困難な場合があり、時間がかかる可能性があります。この研究では、EEGでの自動発作検出のためのサブバンドの非線形パラメーターと遺伝的アルゴリズムを使用した方法を提案します。実験では、離散ウェーブレット変換を使用して、EEGを5つのサブバンドコンポーネントに分解しました。非線形パラメーターを抽出し、線形カーネル関数（SVML）およびラジアル基底関数カーネル関数（SVMRBF）分類器を使用してサポートベクターマシンをトレーニングする機能として使用しました。効果的な特徴サブセットを選択するために、遺伝的アルゴリズム（GA）が使用されました。GAを使用したSVMLおよびSVMRBFの発作検出感度は、それぞれ90.8％と94.0％です。SVMRBFの感度は、GAを使用して重量調整により95.8％に増加します。さらに、提案された方法は、臨床サービスにおいて、困難でありながら重要であると考えられている正常なEEGからてんかん被験者の中間脳波を識別することができます。

Detection of seizures in EEG can be challenging because of myogenic artifacts and might be time-consuming. In this study, we propose a method using subband nonlinear parameters and genetic algorithm for automatic seizure detection in EEG. In the experiment, the discrete wavelet transform was used to decompose EEG into five subband components. Nonlinear parameters were extracted and employed as the features to train the support vector machine with linear kernel function (SVML) and radial basis function kernel function (SVMRBF) classifiers. A genetic algorithm (GA) was used for selecting the effective feature subset. The seizure detection sensitivities of the SVML and the SVMRBF with GA are 90.8% and 94.0%, respectively. The sensitivity of SVMRBF increases to 95.8% by using GA for weight adjustment. Moreover, the proposed method is capable of discriminating the interictal EEG of epileptic subjects from the normal EEG, which is considered difficult, yet crucial, in clinical services.