Nonconvulsive epileptic seizure monitoring with incremental learning.

مراقبة نوبات الصرع اللااختلاجية باستخدام التعلم التزايدي.

Clicks: 308
ID: 55968
2019
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Emerging

Ranked #18 of 87 articles by views in Computers in biology and medicine

Most read Least read

Bar heights use a square-root scale.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Nonconvulsive epileptic seizures (NCSz) and nonconvulsive status epilepticus (NCSE) are two neurological entities associated with increment in morbidity and mortality in critically ill patients. In a previous work, we introduced a method which accurately detected NCSz in EEG data (referred here as 'Batch method'). However, this approach was less effective when the EEG features identified at the beginning of the recording changed over time. Such pattern drift is an issue that causes failures of automated seizure detection methods. This paper presents a support vector machine (SVM)-based incremental learning method for NCSz detection that for the first time addresses the seizure evolution in EEG records from patients with epileptic disorders and from ICU having NCSz. To implement the incremental learning SVM, three methodologies are tested. These approaches differ in the way they reduce the set of potentially available support vectors that are used to build the decision function of the classifier. To evaluate the suitability of the three incremental learning approaches proposed here for NCSz detection, first, a comparative study between the three methods is performed. Secondly, the incremental learning approach with the best performance is compared with the Batch method and three other batch methods from the literature. From this comparison, the incremental learning method based on maximum relevance minimum redundancy (MRMR_IL) obtained the best results. MRMR_IL method proved to be an effective tool for NCSz detection in a real-time setting, achieving sensitivity and accuracy values above 99%.
تُعد النوبات الصرعية اللااختلاجية (NCSz) والحالة الصرعية اللااختلاجية (NCSE) حالتين عصبيتين ترتبطان بزيادة معدلات المراضة والوفيات لدى المرضى ذوي الحالات الحرجة. في عمل سابق، قدمنا طريقة كشفت بدقة عن النوبات الصرعية اللااختلاجية في بيانات تخطيط كهربية الدماغ (EEG) (يُشار إليها هنا باسم "طريقة الدفعات" أو 'Batch method'). ومع ذلك، كان هذا النهج أقل فعالية عندما تغيرت سمات تخطيط كهربية الدماغ المحددة في بداية التسجيل بمرور الوقت؛ حيث يمثل انحراف الأنماط هذا مشكلة تتسبب في إخفاق طرائق الكشف الآلي عن النوبات. تقدم هذه الورقة طريقة تعلّم تزايدي تعتمد على آلات المتجهات الداعمة (SVM) للكشف عن النوبات الصرعية اللااختلاجية، وتتناول للمرة الأولى التطور الزمني للنوبات في سجلات تخطيط كهربية الدماغ لمرضى يعانون من اضطرابات صرعية ومرضى في وحدة العناية المركزة يعانون من هذه النوبات. ولتطبيق التعلّم التزايدي لآلات المتجهات الداعمة، اختُبرت ثلاث منهجيات؛ وتختلف هذه المناهج في الطريقة التي تقلل بها مجموعة المتجهات الداعمة المتاحة المحتملة والمستخدمة في بناء دالة القرار للمُصنِّف. ولتقييم مدى ملاءمة مناهج التعلّم التزايدي الثلاثة المقترحة هنا للكشف عن النوبات الصرعية اللااختلاجية، أُجريت أولاً دراسة مقارنة بين المناهج الثلاثة؛ وثانياً، قورن نهج التعلّم التزايدي ذو الأداء الأفضل بطريقة الدفعات وثلاث طرائق دفعات أخرى من الأدبيات العلمية المنشورة. ومن خلال هذه المقارنة، حققت طريقة التعلّم التزايدي القائمة على أقصى صلة وأدنى تكرار (MRMR_IL) أفضل النتائج؛ حيث أثبتت طريقة MRMR_IL أنها أداة فعالة للكشف عن النوبات الصرعية اللااختلاجية في بيئة الوقت الفعلي، محققةً قيم حساسية ودقة تجاوزت 99%.
Reference Key
rodrguez-aldana2019nonconvulsivecomputers Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Rodríguez Aldana, Yissel;Marañón Reyes, Enrique J;Macias, Frank Sanabria;Rodríguez, Valia Rodríguez;Chacón, Lilia Morales;Van Huffel, Sabine;Hunyadi, Borbála;
Journal Computers in biology and medicine
Year 2019
DOI
S0010-4825(19)30311-7
URL
Keywords
incremental learning hilbert huang transform multiway data analysis nonconvulsive epileptic seizures

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.