| Journal: | Controle & automacao |
| Database: | PERIÓDICA |
| System number: | 000315381 |
| ISSN: | 0103-1759 |
| Authors: | Argoud, Fernanda Isabel Marques1 Azevedo, Fernando Mendes de Marino Neto, Jose |
| Institutions: | 1Universidade Federal de Santa Catarina, Instituto de Engenharia Biomedica, Florianopolis, Santa Catarina. Brasil |
| Year: | 2004 |
| Season: | Oct-Dic |
| Volumen: | 15 |
| Number: | 4 |
| Pages: | 467-475 |
| Country: | Brasil |
| Language: | Portugués |
| Document type: | Artículo |
| Approach: | Experimental |
| English abstract | This paper presents an automatic computational system to detect and classify epileptogenic transients in electroencephalogram (EEG), to aid Epilepsy diagnosis. Due to great variability on the morphology of these events, conventional tools of pattern recognition are not able to distinguish between normal and epileptogenic activity, and visual detection is a very time-consuming task. So, tools and methods normaly used to detect these events try to imitate human expertise. False positive detection represents considerable impediment to extensive use of automatic systems by EEG readers. The proposed system applies Wavelet Transform to extract only epileptogenic features from the EEG signals, and a group of specialized Artificial Neural Networks (ANNs) to distinguish spike and sharp wave events from normal background activity. Two ANNs are used cooperatively, allowing greater flexibility in adjusting system's sensibility and specificity, to improve performance. When sensibility and specifity are set to be equal, system's performance achieves 80% |
| Portuguese abstract | Este artigo apresenta uma proposta de sistema computacional automático para detecção e classificação de transientes epileptogênicos em eletroencefalograma, visando auxiliar no diagnóstico de Epilepsia. Devido à grande variabilidade das morfologias destes eventos, ferramentas convencionais de reconhecimento de padrões não são capazes de distinguir entre a atividade normal e a epileptogênica, e a análise visual é uma tarefa bastante demorada. Então, as ferramentas e métodos normalmente utilizados para detectar estes eventos tentam imitar o procedimento e o raciocínio de especialistas humanos. As detecções falso-positivas representam um grande impedimento para o uso extensivo de sistemas automáticos, por parte de eletroencefalografistas. O sistema proposto aplica Transformada Wavelet para extrair apenas as características epileptogênicas dos sinais de EEG, e um grupo de Redes Neurais Artificiais (RNAs) para distinguir entre eventos tipo espícula e onda aguda da atividade normal de fundo. Duas RNAs são usadas em conjunto, permitindo maior flexibilidade no ajuste da sensibilidade e da especificidade do sistema, como forma de aumentar o desempenho deste. Quando os valores de sensibilidade e especificidade são igualados, o desempenho do sistema atinge 80% |
| Disciplines: | Ingeniería, Medicina |
| Keyword: | Ingeniería electrónica, Neurología, Biotecnología, Epilepsia, Detección, Redes neuronales, Transformada Wavelet, EEG |
| Keyword: | Engineering, Medicine, Electronic engineering, Neurology, Epilepsy, Detection, Neural networks, Wavelet transform, EEG |
| Full text: | Texto completo (Ver HTML) |
