Özet
In this study it is proposed a novel automatic epileptic detection algorithm, that consists of different procedures that are EEG signal preprocessing including idle tone removal, clarifying cutoff time points of the preictal period, detecting the HFOs, choosing efficient channels, feature extraction and selection approaches, and a novel training method for deep nets-based information criteria, to provide a decision support system for the early diagnosis and interpretation of epilepsy. With the proposed algorithms, highly performance models were obtained and the model complexity was significantly reduced.
Bu çalışmada, epilepsinin erken teşhisi ve yorumlanmasında bir karar destek sistemi sağlama için; boşta ton giderme dahil olmak üzere EEG sinyali ön işleme, nöbet öncesi dönemin başlangıç ve bitiş noktalarının belirlenmesi, yüksek frekanslı salınımların (HFO) saptanması, etkin kanalların seçilmesi, öznitelik çıkarımı ve seçimi, ve derin ağlar için bilgi kriterlerine dayanan yeni bir öğrenme metodu önerilmiştir. Önerilen algoritmalar ile yüksek performanslı modeller elde edilmiş ve model karmaşıklığı önemli ölçüde azaltılmıştır.