Médecine

Paramédical

Autres domaines


S'abonner

Detection of Seizure Event and Its Onset/Offset Using Orthonormal Triadic Wavelet Based Features - 13/03/19

Doi : 10.1016/j.irbm.2018.12.002 
G. Chandel a, , P. Upadhyaya b , O. Farooq c , Y.U. Khan d
a Department of Electronics and Communication Engineering, ITS Engineering College, Greater Noida-201310, Uttar Pradesh, India 
b Department of Electronics and Communication Engineering, KCNIT, Banda-210001, Uttar Pradesh, India 
c Department of Electronics Engineering, Faculty of Engineering and Technology, Aligarh Muslim University, Aligarh-202002, Uttar Pradesh, India 
d Department of Electrical Engineering, Faculty of Engineering and Technology, Aligarh Muslim University, Aligarh-202002, Uttar Pradesh, India 

Corresponding author at: ITS Engineering College Greater Noida, 46, Knowledge park III, Greater Noida, UP 201308, India.ITS Engineering College Greater Noida46, Knowledge park IIIGreater NoidaUP201308India

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement ou un achat à l’unité.

pages 10
Iconographies 8
Vidéos 0
Autres 0

Highlights

The use of   wavelet based features for seizure onset/offset detection.
Long-term EEG signals were analysed.
The method obtained 99.45% of accuracy and 98.36% sensitivity.
The efficiency compared with existing conventional dyadic wavelets methods.

Le texte complet de cet article est disponible en PDF.

Abstract

Background

Epileptic seizures are unpredictable in nature and its quick detection is important for immediate treatment of patients. In last few decades researchers have proposed different algorithms for onset and offset detection of seizure using Electroencephalogram (EEG) signals.

Methods

In this paper, a combined approach for onset and offset detection is proposed using Triadic wavelet decomposition based features. Standard deviation, variance and higher order moments, extracted as significant features to represent different EEG activities.

Classification between seizure and non-seizure EEG was carried out using linear discriminant analysis (LDA) and k-nearest neighbour (KNN) classifiers. The method was tested using two benchmark EEG datasets in the field of seizure detection.

CHBMIT EEG dataset was used for evaluating the performance of proposed seizure onset and offset detection method.

Further for testing the robustness of the algorithm, the effect of the signal-to-noise ratio on the detection accuracy has been also investigated using Bonn University EEG dataset.

Results

The seizure onset and offset detection method yielded classification accuracy, specificity and sensitivity of 99.45%, 99.62% and 98.36% respectively with 6.3 s onset and −1.17 s offset latency using KNN classifier.

The seizure detection method using Bonn University EEG dataset got classification accuracy of 92% when SNR = 5 dB, 94% when SNR = 10 dB, and 96% when SNR = 20 dB, while it also yielded 96% accuracy for noiseless EEG.

Conclusion

The present study focuses on detection of seizure onset and offset rather than only seizure detection. The major contribution of this work is that the novel triadic wavelet transform based method is developed for the analysis of EEG signals. The results show improvement over other existing dyadic wavelet based Triadic techniques.

Le texte complet de cet article est disponible en PDF.

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Keywords : Seizure detection, EEG, Wavelet transforms, Linear discriminant analysis (LDA), k-nearest neighbour (KNN)


Plan


© 2018  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 40 - N° 2

P. 103-112 - mars 2019 Retour au numéro
Article précédent Article précédent
  • Comparison of Several Algorithms to Estimate Activity Counts with Smartphones as an Indication of Physical Activity Level
  • V.H. Rodriguez, C. Medrano, I. Plaza, C. Corella, A. Abarca, J.A. Julian
| Article suivant Article suivant
  • EEG and Cognitive Biomarkers Based Mild Cognitive Impairment Diagnosis
  • N. Sharma, M.H. Kolekar, K. Jha, Y. Kumar

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement ou un achat à l’unité.

L'accès au texte intégral de cet article nécessite un abonnement ou un achat à l'unité.

Déjà abonné à cette revue ?

;

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.