| Revista: | Journal of applied research and technology |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000365871 |
| ISSN: | 1665-6423 |
| Autores: | Arab, M. R1 Suratgar, A. A2 Martínez Hernández, V. M2 Rezaei Ashtiani, A3 |
| Instituciones: | 1Arak Medical University, Department of Biomedical Engineering, Arak. Irán 2Arak University, Department of Electrical Engineering, Arak. Irán 3Arak Medical University, Department of Neurology, Arak. Irán |
| Año: | 2010 |
| Periodo: | Abr |
| Volumen: | 8 |
| Número: | 1 |
| Paginación: | 120-129 |
| País: | México |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Experimental, aplicado |
| Resumen en español | En este estudio, se presenta un nuevo método basado en redes neuronales y la transformada ondicular. El método presentado se usa para la clasificación de la epilepsia gran mal (clónica) y pequeño mal (de ausencia) en saludable, ictal e interictal (EEG). Se incluye el pre procesamiento para eliminar un artefacto causado por el parpadeo y una línea de base errante (movimiento de electrodos) así como un artefacto producido por el movimiento ocular usando la Transformada Ondicular Discreta (DWT). Otra función del pre procesamiento es la eliminación de ruido de las señales de EEG de la frecuencia de la fuente de alimentación AC con un filtro de eliminación adecuado. El pre procesamiento aumentó la velocidad y precisión de la etapa de procesamiento (transformada ondicular y red neuronal). Un neurólogo experto clasifica las señales de EEG en epilepsia normal, pequeño mal y clónica. La clasificación se corrobora por medio del análisis con Transformada Rápida de Fourier (FFT). El conjunto de datos incluye ondas tales como agudas, puntas y punta–onda lenta. Mediante la Transformada Ondicular Continua (CWT) de los registros del EEG, se capturan y separan correctamente características transitorias y se usan como entrada del clasificador. Introducimos un clasificador de dos etapas basado en redes de cuantización vectorial (LVQ) localizado en los contextos tiempo y frecuencia. Los coeficientes particulares de la Transformada Ondicular Continua (CWT) son redes. Los resultados de la simulación son muy prometedores y la exactitud del método propuesto es de alrededor del 80% |
| Resumen en inglés | In this study, a novel wavelet transform–neural network method is presented. The presented method is used for the classification of grand mal (clonic stage) and petit mal (absence) epilepsies into healthy, ictal and interictal (EEGs). Preprocessing is included to remove an artifact occurred by blinking and a wandering baseline (electrodes movement) as well as an eyeball movement artifact using the Discrete Wavelet Transformation (DWT). Denoising EEG signals from the AC power supply frequency with a suitable notch filter is another job of preprocessing. The preprocessing enhanced speed and accuracy of the processing stage (wavelet transform and neural network). The EEGs signals are categorized into normal and petit mal and clonic epilepsy by an expert neurologist. The categorization is confirmed by the Fast Fourier Transform (FFT) analysis. The dataset includes waves such as sharp, spike and spike–slow wave. Through the Countinous Wavelet Transform (CWT) of EEG records, transient features are accurately captured and separated and used as classifier input. We introduce a two–stage classifier based on the Learning Vector Quantization (LVQ) neural network localized in both time and frequency contexts. The particular coefficients of the Continuous Wavelet Transform (CWT) are networks. The simulation results are very promising and the accuracy of the proposed method obtained is of about 80% |
| Disciplinas: | Ciencias de la computación, Medicina, Ingeniería |
| Palabras clave: | Diagnóstico, Neurología, Bioingeniería, Epilepsia mioclónica, Epilepsia tónica, Electroencefalografía, Transformada ondicular continua |
| Keyword: | Computer science, Medicine, Engineering, Diagnosis, Neurology, Bioengineering, Myoclonic epilepsy, Tonic epilepsy, Electroencephalography, Continuous wavelet transform |
| Texto completo: | Texto completo (Ver HTML) |
