Modelo Inteligente de Detección y Clasificación de Crisis Epilépticas Usando un Autoencoder Escaso Canónico Profundo Óptimo
Autores: Hilal, Anwer Mustafa; Albraikan, Amani Abdulrahman; Dhahbi, Sami; Nour, Mohamed K.; Mohamed, Abdullah; Motwakel, Abdelwahed; Zamani, Abu Sarwar; Rizwanullah, Mohammed
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Modelo Inteligente de Detección y Clasificación de Crisis Epilépticas Usando un Autoencoder Escaso Canónico Profundo Óptimo
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Biología
Palabras clave
Convulsiones epilépticas
Señales de EEG
Aprendizaje automático
Aprendizaje profundo
Selección de características
Clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 15
Citaciones: Sin citaciones
Las convulsiones epilépticas son una enfermedad neurológica crónica y persistente que afecta principalmente al cerebro humano. El electroencefalograma (EEG) se considera una herramienta efectiva entre los neurólogos para detectar diversos trastornos cerebrales, incluida la epilepsia, debido a sus ventajas, como su bajo costo, simplicidad y disponibilidad. Para reducir la gravedad de las convulsiones epilépticas, es necesario diseñar técnicas efectivas para identificar la enfermedad en una etapa más temprana. Dado que la forma tradicional de diagnosticar convulsiones epilépticas es laboriosa y consume mucho tiempo, las herramientas automatizadas que utilizan modelos de aprendizaje automático (ML) y aprendizaje profundo (DL) pueden ser útiles. Este documento presenta un modelo inteligente de detección y clasificación de convulsiones epilépticas basado en un autoencoder canónico profundo y escaso (DCSAE-ESDC) utilizando señales de EEG. La técnica DCSAE-ESDC propuesta implica dos procesos principales, a saber, la selección de características y la clasificación. La técnica DCSAE-ESDC diseña una nueva técnica de selección de características basada en un algoritmo de optimización de coyote (COA) para la selección óptima de subconjuntos de características. Además, el clasificador basado en DCSAE se deriva para la detección y clasificación de diferentes tipos de convulsiones epilépticas. Finalmente, la sintonización de parámetros del modelo DSCAE se lleva a cabo a través del algoritmo de manada de krill (KHA). El diseño de la selección de características basada en COA y la sintonización de parámetros basada en KHA muestra la novedad del trabajo. Para examinar el rendimiento de clasificación mejorado de la técnica DCSAE-ESDC, se realizó un análisis experimental detallado utilizando un conjunto de datos de convulsiones epilépticas de referencia. El análisis de resultados comparativos mostró un mejor rendimiento de la técnica DCSAE-ESDC sobre las técnicas existentes, con una precisión máxima del 98.67% y 98.73% en clasificación binaria y multiclasificación, respectivamente.
Descripción
Las convulsiones epilépticas son una enfermedad neurológica crónica y persistente que afecta principalmente al cerebro humano. El electroencefalograma (EEG) se considera una herramienta efectiva entre los neurólogos para detectar diversos trastornos cerebrales, incluida la epilepsia, debido a sus ventajas, como su bajo costo, simplicidad y disponibilidad. Para reducir la gravedad de las convulsiones epilépticas, es necesario diseñar técnicas efectivas para identificar la enfermedad en una etapa más temprana. Dado que la forma tradicional de diagnosticar convulsiones epilépticas es laboriosa y consume mucho tiempo, las herramientas automatizadas que utilizan modelos de aprendizaje automático (ML) y aprendizaje profundo (DL) pueden ser útiles. Este documento presenta un modelo inteligente de detección y clasificación de convulsiones epilépticas basado en un autoencoder canónico profundo y escaso (DCSAE-ESDC) utilizando señales de EEG. La técnica DCSAE-ESDC propuesta implica dos procesos principales, a saber, la selección de características y la clasificación. La técnica DCSAE-ESDC diseña una nueva técnica de selección de características basada en un algoritmo de optimización de coyote (COA) para la selección óptima de subconjuntos de características. Además, el clasificador basado en DCSAE se deriva para la detección y clasificación de diferentes tipos de convulsiones epilépticas. Finalmente, la sintonización de parámetros del modelo DSCAE se lleva a cabo a través del algoritmo de manada de krill (KHA). El diseño de la selección de características basada en COA y la sintonización de parámetros basada en KHA muestra la novedad del trabajo. Para examinar el rendimiento de clasificación mejorado de la técnica DCSAE-ESDC, se realizó un análisis experimental detallado utilizando un conjunto de datos de convulsiones epilépticas de referencia. El análisis de resultados comparativos mostró un mejor rendimiento de la técnica DCSAE-ESDC sobre las técnicas existentes, con una precisión máxima del 98.67% y 98.73% en clasificación binaria y multiclasificación, respectivamente.