Key points are not available for this paper at this time.
Die automatische Anfallserkennung spielt eine wichtige Rolle bei der Langzeitüberwachung von Epilepsie, und Algorithmen zur Anfallserkennung wurden über die Jahre intensiv untersucht. Dieses Papier schlägt einen Algorithmus zur Anfallserkennung vor, der Lakunarity und Bayesianische lineare Diskriminanzanalyse (BLDA) im Langzeit-intrakranielle EEG verwendet. Lakunarity ist ein Maß für die Heterogenität eines Fraktals. Die vorgeschlagene Methode führt zunächst eine Wavelet-Dekomposition auf EEGs mit fünf Skalen durch und wählt die Wavelet-Koeffizienten der Skalen 3, 4 und 5 für die anschließende Verarbeitung aus. Effektive Merkmale, einschließlich Lakunarity und Fluktuationsindex, werden aus den ausgewählten drei Skalen extrahiert und anschließend in die BLDA zur Schulung und Klassifizierung eingespeist. Schließlich wird eine Nachbearbeitung, die Glättung, Schwellenurteilsbildung, Multikanal-Integration und eine Kragen-Technik umfasst, angewendet, um eine hohe Sensitivität und eine niedrige falsch-positive Rate zu erzielen. Der vorgeschlagene Algorithmus wird an 289,14 Stunden intrakraniellen EEG-Daten des Freiburg-Datensatzes mit 21 Patienten evaluiert und erzielt eine Sensitivität von 96,25 % und eine falsch-positive Rate von 0,13/h bei einer mittleren Verzögerungszeit von 13,8 s.
Zhou et al. (Thu,) haben diese Frage untersucht.