Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Hybrid Hierarchical Clustering Algorithm Used for Large Datasets: A Pilot Study on Long-Term Sleep Data Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Epileptic Seizures Classification Based on Long-Term EEG Signal Wavelet Analysis

verfasst von : K. D. Tzimourta, A. T. Tzallas, N. Giannakeas, L. G. Astrakas, D. G. Tsalikakis, M. G. Tsipouras

Erschienen in: Precision Medicine Powered by pHealth and Connected Health

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Epilepsy is a complex neurological disorder recognized by abnormal synchronization of cerebral neurons, named seizures. During the last decades, significant progress has been done in automated detection and prediction of seizures, aiming to develop personalized closed-loop intervention systems. In this paper, a methodology for automated seizure detection based on Discrete Wavelet Transform (DWT) is presented. Twenty-one intracranial ictal recordings acquired from the database of University Hospital of Freiburg are firstly segmented in 2 s epochs. Then, a five-level decomposition is applied in each segment and five features are extracted from the wavelet coefficients. The extracted feature vector is used to train a Support Vector Machines (SVM) classifier. Average sensitivity and specificity reached above 93% and 99% respectively.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Camera Based Real Time Fall Detection Using Pattern Classification
Nächstes Kapitel Heartrate Variability Comparison Between Electrocardiogram, Photoplethysmogram and Ballistic Pulse Waveforms at Fiducial Points
Literatur
1.
2.
Tsiouris KM, Tzallas AT, Markoula S, Koutsouris D, Konitsiotis S, Fotiadis DI (2015) A review of automated methodologies for the detection of epileptic episodes using long-term EEG signals. Handbook of research on trends in the diagnosis and treatment of chronic conditions, pp 231–261
3.
Bajaj V, Pachori RB (2013) Epileptic seizure detection based on the instantaneous area of analytic intrinsic mode functions of EEG signals. Biomed Eng Lett 3(1):17–21CrossRef
4.
Parvez MZ, Paul M (2014) Epileptic seizure detection by analyzing EEG signals using different transformation techniques. Neurocomputing 145:190–200CrossRef
5.
Kevric J, Subasi A (2014) The effect of multiscale PCA de-noising in epileptic seizure detection. J Med Syst 38(10):131CrossRef
6.
Liang SF, Chen YC, Wang YL, Chen PT, Yang CH, Chiueh H (2013) A hierarchical approach for online temporal lobe seizure detection in long-term intracranial EEG recordings. J Neural Eng 10(4):045004CrossRef
7.
Yuan Q, Zhou W, Liu Y, Wang J (2012) Epileptic seizure detection with linear and nonlinear features. Epilepsy Behav 24(4):415–421CrossRef
8.
Zhang Y, Zhou W, Yuan S (2015) Multifractal analysis and relevance vector machine-based automatic seizure detection in intracranial EEG. Int J Neural Syst 25(06):1550020CrossRef
9.
Rabbi AF, Fazel-Rezai R (2012) A fuzzy logic system for seizure onset detection in intracranial EEG. Comput Intell Neurosci 2012:1CrossRef
10.
Geng D, Zhou W, Zhang Y, Geng S (2016) Epileptic seizure detection based on improved wavelet neural networks in long-term intracranial EEG. Biocybern Biomed Eng 36(2):375–384CrossRef
11.
Raghunathan S, Jaitli A, Irazoqui PP (2011) Multistage seizure detection techniques optimized for low-power hardware platforms. Epilepsy Behav 22:S61–S68CrossRef
12.
Liu Y, Zhou W, Yuan Q, Chen S (2012) Automatic seizure detection using wavelet transform and SVM in long-term intracranial EEG. IEEE Trans Neural Syst Rehabil Eng 20(6):749–755CrossRef
13.
Zhou W, Liu Y, Yuan Q, Li X (2013) Epileptic seizure detection using lacunarity and Bayesian linear discriminant analysis in intracranial EEG. IEEE Trans Biomed Eng 60(12):3375–3381CrossRef
14.
Xie S, Krishnan S (2013) Wavelet-based sparse functional linear model with applications to EEGs seizure detection and epilepsy diagnosis. Med Biol Eng Comput 51(1–2):49–60CrossRef
15.
Yuan S, Zhou W, Yuan Q, Zhang Y, Meng Q (2014) Automatic seizure detection using diffusion distance and BLDA in intracranial EEG. Epilepsy Behav 31:339–345CrossRef
16.
17.
Mallat S (1999) A wavelet tour of signal processing. Academic press
18.
Theodoridis S, Pikrakis A, Koutroumbas K, Cavouras D (2010) Introduction to pattern recognition: a matlab approach. Academic Press
19.
Nagaraj V, Lee S, Krook-Magnuson E, Soltesz I, Benquet P, Irazoqui P, Netoff T (2015) The future of seizure prediction and intervention: closing the loop. J Clin Neurophysiol: Off Publ Am Electroencephalogr Soc 32(3):194CrossRef
Metadaten
Titel
Epileptic Seizures Classification Based on Long-Term EEG Signal Wavelet Analysis
verfasst von
K. D. Tzimourta
A. T. Tzallas
N. Giannakeas
L. G. Astrakas
D. G. Tsalikakis
M. G. Tsipouras
Copyright-Jahr
2018
Verlag
Springer Singapore
Buch
Precision Medicine Powered by pHealth and Connected Health

Print ISBN: 978-981-10-7418-9

Electronic ISBN: 978-981-10-7419-6

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-981-10-7419-6_28

Neuer Inhalt

    Bildnachweise