S'abonner

Patient-Specific Epileptic Seizure Prediction in Long-Term Scalp EEG Signal Using Multivariate Statistical Process Control - 07/11/19

Doi : 10.1016/j.irbm.2019.08.004 
S. Rukhsar a, Y.U. Khan b, , O. Farooq c, M. Sarfraz b, A.T. Khan b
a Department of Electrical Engineering, Indian Institute of Technology, Jodhpur-342037, Rajasthan, India 
b Department of Electrical Engineering, Faculty of Engineering and Technology, Aligarh Muslim University, Aligarh-202002, Uttar Pradesh, India 
c Department of Electronics Engineering, Faculty of Engineering and Technology, Aligarh Muslim University, Aligarh-202002, Uttar Pradesh, India 

Corresponding author.

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

pages 12
Iconographies 10
Vidéos 0
Autres 0

Abstract

An accurate epileptic seizure prediction algorithm can alleviate the problem and reduce risks in the life of a patient suffering from epilepsy. The main motive of this work is to propose a model which can predict seizures well in advance of its occurrence. Multivariate statistical process control (MSPC) has been used for seizure predictions in long-term scalp EEG signal. It has been observed that excessive neuronal activity in the preictal period of seizure changes the electrical characteristic from chaotic to rhythmic behavior. These changes have been utilized for prediction. Eight temporal based features are used for predicting the seizures by using multivariate statistical process control, which is widely known as an anomaly monitoring method. 90 seizures from the CHB-MIT EEG data of ten patients are analyzed.

Result

The results of the proposed method demonstrated that 80 seizures out of 90 in preictal period were correctly predicted prior to the seizure onset, thereby giving a sensitivity of 88.89%. The false positive rate is observed to 0.39 per hour.

Conclusion

This study proposed a temporal based patient-specific epileptic seizure prediction method using MSPC in long-term scalp EEG signals. It also provides the possibility of realizing an EEG-based epileptic seizure prediction system which requires less computational power.

Significance

The proposed method does not require preictal data for modeling. The extracted features are computationally easy. The tested result shows good accuracy on the CHB-MIT data base.

Le texte complet de cet article est disponible en PDF.

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

Multivariate statistical process control (MSPC) can be used for seizure prediction using EEG signal.
98% to less than 99% of variation of interictal data should be retained in the PCA model to predict seizures.
Less computational time because of temporal-based feature and MSPC.
Combination of ECG and EEG signal would be future work.

Le texte complet de cet article est disponible en PDF.

Keywords : Multivariate statistical process control, Squared prediction error (Q),   Hotelling parameters, PCA, Epilepsy prediction


Plan


© 2019  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° 6

P. 320-331 - décembre 2019 Retour au numéro
Article précédent Article précédent
  • Influence of Different Abutment Designs on the Biomechanical Behavior of One-Piece Zirconia Dental Implants and Their Surrounding Bone: A 3D-FEA
  • M. Shash, H. Nazha, W. Abbas
| Article suivant Article suivant
  • An Efficient Automated Algorithm for Distinguishing Normal and Abnormal ECG Signal
  • M.K. Moridani, M. Abdi Zadeh, Z. Shahiazar Mazraeh

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

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

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.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.