Classification EEG epileptique par l'utilisation d'images temps-fréquence pour l'apprentissage profond

L'épilepsie est l'un des troubles cérébraux les plus courants dans le monde. L'outil clinique le plus fréquemment utilisé pour détecter les événements épileptiques et surveiller les patients épileptiques est l'enregistrement EEG. De nombreux systèmes de diagnostic assistés par ordinateur utilisant des signaux EEG ont été proposés pour la détection et la prédiction des crises. Dans cette étude, une méthode novatrice basée sur la Transformation de Synchrosqueezing (SST) basée sur Fourier, qui est une représentation temps-fréquence (TF) à haute résolution, et un Réseau de Neurones Convolutifs (CNN) est proposée pour détecter et prédire les segments de crise. La SST est basée sur la réaffectation des composants du signal dans le plan TF, ce qui fournit des distributions d'énergie TF hautement localisées. Les crises épileptiques provoquent des décharges d'énergie soudaines qui sont bien représentées dans le plan TF en utilisant la méthode SST. La méthode CNN basée sur SST est évaluée en utilisant le jeu de données IKCU que nous avons collecté, ainsi que le jeu de données CHB-MIT disponible publiquement. Les résultats expérimentaux démontrent que l'approche proposée produit des taux de précision et d'exactitude de détection de crise basés sur des segments très élevés pour les deux jeux de données (IKCU : 98,99 % PRE et 99,06 % ACC ; CHB-MIT : 99,81 % PRE et 99,63 % ACC). De plus, l'approche CNN basée sur SST fournit des performances de prédiction de crise basées sur des segments significativement plus élevées avec 98,54 % PRE et 97,92 % ACC que les approches similaires présentées dans la littérature utilisant le jeu de données CHB-MIT.