EEG transient event detection and classification using association rules
Φόρτωση...
Ημερομηνία
Συγγραφείς
Exarchos, T. P.
Tzallas, A. T.
Fotiadis, D. I.
Konitsiotis, S.
Giannopoulos, S.
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
peer reviewed
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Ieee Transactions on Information Technology in Biomedicine
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
In this paper, a methodology for the automated detection and classification of transient events in electroencephalographic (EEG) recordings is presented. It is based on association rule mining and classifies transient events into four categories: epileptic spikes, muscle activity, eye blinking activity, and sharp alpha activity. The methodology involves four stages: 1) transient event detection; 2) clustering of transient events and feature extraction; 3) feature discretization and feature subset selection; and 4) association rule mining and classification of transient events. The methodology is evaluated using 25 EEG recordings, and the best obtained accuracy was 87.38%. The proposed approach combines high accuracy with the ability to provide interpretation for the decisions made, since it is based on a set of association rules.
Περιγραφή
Λέξεις-κλειδιά
association rules, clustering, electroencephalographic (eeg), epilepsy, spike detection, transient events, artificial neural-network, epileptiform discharges, interictal spikes, wave-form, selection, system
Θεματική κατηγορία
Παραπομπή
Σύνδεσμος
<Go to ISI>://000239033000004
Γλώσσα
en
Εκδίδον τμήμα/τομέας
Όνομα επιβλέποντος
Εξεταστική επιτροπή
Γενική Περιγραφή / Σχόλια
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Μηχανικών Επιστήμης Υλικών