Epileptic EEG activity detection for children using entropy-based biomarkers - 15/09/22

Doi : 10.1016/j.neuri.2022.100101 
Sadeem Nabeel Saleem Kbah a , Noor Kamal Al-Qazzaz a, , Sumai Hamad Jaafer b , Mohannad K. Sabir a
a Department of Biomedical Engineering, Al-Khwarizmi College of Engineering, University of Baghdad, Baghdad 47146, Iraq 
b Medical Laboratory Department, Erbil Medical Institute, Erbil Polytechnic University, Erbil, Kirkuk Road, Hadi Chawshli Street, Kurdistan Region, Iraq 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Abstract

Seizures, which last for a while and are a symptom of epilepsy, are bouts of excessive and abnormally synchronized neuronal activity in the patient's brain. For young children, in particular, early diagnosis and treatment are essential to optimize the likelihood of the best possible child-specific result. Electroencephalogram (EEG) signals can be inspected to look for epileptic seizures. However, certain epileptic patients with severe cases show high rates of misdiagnosis or failure to notice the seizures, and they do not demonstrate any improvement in healing as a result of their inability to respond to medical treatment. The purpose of this study was to identify EEG biomarkers that may be used to distinguish between children with epilepsy and otherwise healthy and normal subjects. Savitzky-Golay (SG) filter was used to record and analyze the data from 19 EEG channels. EEG background activity was used to calculate amplitude-aware permutation entropy (AAPE) and enhanced permutation entropy (impe). The hypothesis that the irregularity and complexity in epileptic EEG were decreased in comparison with healthy control participants was tested statistically using the t-test (p < 0,05). As a method of dimensionality reduction, principle component analysis (PCA) was used. The EEG signals of the patients with epileptic seizures were then separated from those of the control individuals using decision tree (DT) and random forest (RF) classifiers. The findings indicate that the EEG of the AAPE and impe was decreased for epileptic patients. A comparison study has been done to see how well the DT and RF classifiers work with the SG filter, AAPE and impe features, and PCA dimensionality reduction technique. When identifying patients with epilepsy and control subjects, PCA with DT and RF produced accuracies of 85% and 80%, respectively, but without the PCA, DT and RF showed accuracies of 75% and 72.5%, respectively. As a result, the EEG may be a trustworthy index for looking at short-term indicators that are sensitive to epileptic identification and classification.

Le texte complet de cet article est disponible en PDF.

Keywords : Epilepsy, Electroencephalography, Savitzky-Gmillio, Entropy, t-test, Random forest, Decision tree, Classification


Plan


© 2022  The Authors. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 2 - N° 4

Article 100101- décembre 2022 Retour au numéro
Article précédent Article précédent
  • Applied picture fuzzy sets with knowledge reasoning and linguistics in clinical decision support system
  • Hai Van Pham, Philip Moore, Bui Cong Cuong

Bienvenue sur EM-consulte, la référence des professionnels de santé.

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.