Neuropathology Classifier Based on Higher Order Spectra

Abstract

Epilepsy is the most common neuropathology. Statistical studies related to the disease reported that 20%-25% of epileptic patients with occurrence of seizures were even under treatment with drugs. This article presents a strategy for improved detection of the neuropathology, based on electroencephalogram (EEG), using a classifier built with support vector machines (SVC). The SVC is designed based on feature extraction of higher order spectra of time series derived from the EEG applied to epileptic patients and control patients. As demonstrated in the study presented, the EEG time series are highly nonlinear and non-Gaussian, therefore, exhibit higher order spectra, which are extracted features that improve the accuracy in the performance of SVC. The results of this study suggest the development of highly accurate computational tools for the diagnosis of this dreaded neuropathology.

Detector de Neuropatologías en EEG usando Estadísticas de Orden Superior y Aprendizaje Profundo

“…Las estadísticas mencionadas. se emplearon, como vectores de entrenamiento de una SVM (siglas en inglés para "Support Vector Machines") [11,15], que discrimina estados preictales, de los interictales [6]. El predictor a SVM, en referencia, obtuvo una sensibilidad del 100 % y una FPR False Positive Rate" o tasa de falsos positivos) promedio de 0,044; utilizando el conjunto de datos de "Predicción de ataques epilépticos de Frieiburg" (University of Freiburg, 2008) La alta sensibilidad y muy bajo FPR, en comparación con otros estudios, evidencian la excelente capacidad del método, basado en HOSA, para analizar las señales de EEG epilépticas.…”

“…En [11], el autor clasifica EEG en epilépticos o normales, con un clasificador a SVM, entrenado con vectores conformados por dos rasgos extraídos de la respuesta frecuencial de orden superior: la bicoherencia y la máxima potencia. Los rasgos se obtuvieron, mediante la aplicación de HOSA, a la señal del canal seleccionado, de los EEG, de los pacientes en estudio.…”

“…orden superior Las señales gaussianas y lineales se caracterizan, completamente, con los momentos estadísticos Las señales de EEG son altamente no lineales y no gaussianas [10,16,11,17]. Los momentos y cumulantes se definen por las siguientes expresiones:…”

“…En el caso específico, de las estadísticas: momentos y cumulantes de orden mayor al tercero, estas métricas se manifiestan como señales hiperdimensionales. La estrategia planteada, en el sistema desarrollado, es detectar epilepsia en los EEG, usando estas señales, que son bidimensionales para los cumulantes de tercer orden [8,10,11] y debidamente etiquetadas como epilépticas o de control, como las imágenes de entrenamiento del clasificador.…”

Automated Detection of Seizure and Nonseizure EEG Signals Using Two Band Biorthogonal Wavelet Filter Banks

“…Bhati et al [47] use norm of the wavelet subbands to extract the features of the EEG signal. Acharya et al [4,51] and [52] use bispectral phase entropies to extract the features of the normal and nonseizure EEG signals. In this work, we present the performance comparison of bispectral phase entropy measures and energy in extracting the features of the EEG signal from its wavelet subband signals extracted from two band biorthogonal wavelet filter banks.…”