Ứng dụng máy học vector hỗ trợ SVM trong dự đoán cơn động kinh

Chỉ số đề mục

Lĩnh vực nghiên cứu

Kỹ thuật và thiết bị y học

Dạng tài liệu

Tác giả

Nguyễn Văn Sơn, Vương Hoàng Nam, Đào Xuân Phúc, Vũ Duy Thuận, Nguyễn văn sơn⁽¹⁾, VŨ DUY THUẬN⁽²⁾

Nhan đề

Ứng dụng máy học vector hỗ trợ SVM trong dự đoán cơn động kinh

Nhan đề tiếng anh

A method based on SVM to predict epileptic seizures

Nguồn trích

Tạp chí khoa học công nghệ giao năng lượng

Năm xuất bản

2019

Số

21

Trang

39-50

ISSN

1859-4557

Từ khóa

Máy học vector hỗ trợ, Cơn động kinh, Tín hiệu, Điện não đồ

Từ khóa tiếng anh

Vector machine learning supported, Predict epilepsy, Signal, EEG

Tóm tắt

Bệnh động kinh được xem là căn bệnh liên quan đến rối loạn trong não phổ biến thứ hai và ảnh hưởng đến khoảng 1% dân số thế giới. Đặc trưng của động kinh là sự xuất hiện bất chợt và mất kiểm soát của cơn co giật (cơn động kinh). Trong bài báo này, chúng tôi đề xuất một phương pháp sử dụng máy học vector hỗ trợ SVM (Support Vector Machine) để dự đoán cơn động kinh dựa trên các bản ghi tín hiệu điện não đồ EEG (Electroencephalography). Phương pháp này sử dụng các đặc trưng đơn biến của tín hiệu EEG nhằm phân loại bốn trạng thái tín hiệu EEG (bình thường, tiền động kinh, động kinh và sau động kinh). Việc dự đoán chính xác cơn động kinh phụ thuộc vào khả năng nhận dạng/phân biệt trạng thái tiền động kinh (pre-ictal) với ba trạng thái còn lại. Các kết quả mô phỏng với cơ sở dữ liệu động kinh của Đại học Freiburg cho thấy tính hữu dụng của phương pháp đề xuất.

Tóm tắt tiếng anh

Epilepsy is the second most common brain disorder and affects approximately 1% of the world’s population. Epilepsy is characterized by the occurrence of unforeseenable and uncontrollable seizures. In this paper, we propose a method based on SVM (Support Vector Machine) to predict epileptic seizures using EEG (Electroencephalography) recordings. In this method, univariate features are used to classify four states of EEG (inter-ictal, pre-ictal, ictal and post-ictal). Seizure forecasting requires the ability to reliably identify a pre-ictal state that can be differentiated from the inter-ictal, ictal, and post-ictal state. Computer simulation experiments with the Freiburg EEG database show the utility of the proposed method.

Kí hiệu kho

TTKHCNQG, CVv 460

File toàn văn

Xem toàn văn