1. Αρχική σελίδα
  2. Αναζήτηση

Comparison of fractal dimension estimation algorithms for epileptic seizure onset detection

Το τεκμήριο παρέχεται από τον φορέα :
ΤΕΙ Αθήνας   

Αποθετήριο :
Υπατία - Ιδρυματικό Αποθετήριο   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Comparison of fractal dimension estimation algorithms for epileptic seizure onset detection (EN)
Ασβεστάς, Παντελής Α. (EL)
Γκατζώνης, Στυλιανός (EL)
Πολυχρονάκη, Γεωργία Ε. (EL)
Κτώνας, Περικλής Υ. (EL)
Σιατούνη, Άννα Δ. (EL)
Σακκάς, Διαμιανός (EL)
Τσέκου, Χαρά (EL)
Νικήτα, Κωνσταντίνα Σ. (EL)
journalArticle
2015-02-09T10:43:54Z
2015-02-09
2010
Journal of Neural Engineering (EN)
Fractal dimension (FD) is a natural measure of the irregularity of a curve. In this study the performances of three waveform FD estimation algorithms (i.e. Katz's, Higuchi's and the k-nearest neighbour (k-NN) algorithm) were compared in terms of their ability to detect the onset of epileptic seizures in scalp electroencephalogram (EEG). The selection of parameters involved in FD estimation, evaluation of the accuracy of the different algorithms and assessment of their robustness in the presence of noise were performed based on synthetic signals of known FD. When applied to scalp EEG data, Katz's and Higuchi's algorithms were found to be incapable of producing consistent changes of a single type (either a drop or an increase) during seizures. On the other hand, the k-NN algorithm produced a drop, starting close to the seizure onset, in most seizures of all patients. The k-NN algorithm outperformed both Katz's and Higuchi's algorithms in terms of robustness in the presence of noise and seizure onset detection ability. The seizure detection methodology, based on the k-NN algorithm, yielded in the training data set a sensitivity of 100% with 10.10 s mean detection delay and a false positive rate of 0.27 h−1, while the corresponding values in the testing data set were 100%, 8.82 s and 0.42 h−1, respectively. The above detection results compare favourably to those of other seizure onset detection methodologies applied to scalp EEG in the literature. The methodology described, based on the k-NN algorithm, appears to be promising for the detection of the onset of epileptic seizures based on scalp EEG. (EN)
**N/A**-Ιατρική
Synthetic signals
Βιοϊατρική τεχνολογία
Ιατρική
Electroencephalography
http://lod.nal.usda.gov/19230
http://id.loc.gov/authorities/subjects/sh85014237
**N/A**-Βιοϊατρική τεχνολογία
Medicine
Ηλεκτροεγκεφαλογράφημα
http://id.loc.gov/authorities/subjects/sh00006614
Biomedical engineering
Συνθετικά σήματα
IOP Publishing Ltd (EN)
Τ.Ε.Ι. Αθήνας. Σχολή Τεχνολογικών Εφαρμογών. Τμήμα Μηχανικών Βιοϊατρικής Τεχνολογίας Τ.Ε. (EL)
http://iopscience.iop.org/
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ηνωμένες Πολιτείες
http://creativecommons.org/licenses/by-nc-nd/3.0/us/
campus
ΤΕΙ Αθήνας
Υπατία - Ιδρυματικό Αποθετήριο
Δημοσιεύσεις



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.