Neuropathology Detector in EEG using Higher Order Statistics and Deep Learning

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

dc.creatorSeijas , César
dc.creatorVillazana , Sergio
dc.creatorMontilla , Guillermo
dc.creatorPérez , Egilda
dc.creatorMontilla , Ricardo
dc.date2021-05-03
dc.date.accessioned2023-08-23T15:07:53Z
dc.date.available2023-08-23T15:07:53Z
dc.identifierhttps://revistascientificasuc.org/index.php/revinguc/article/view/14
dc.identifier10.54139/revinguc.v28i1.14
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8357763
dc.descriptionThis article presents a neuropathology detector, based on the patient’s electroencephalogram (EEG). Detection is based on HOSA (“High Order Statistical Analysis”) image classification of higher order statistics derived from time series corresponding to EEG of human patients. The classifier is a DL model (“Deep Learning”) with the pretrained CNN (“Convolutional Neural Network”) architecture: Inception. The CNN training and test set are HOSA images of non-linear and non-Gaussian segments, of signals corresponding to the selected channel of the EEG of patients with neuropathologies (specifically, epilepsy) or healthy. The performance of the classifier is very satisfactory, presenting an accuracy of approximately 94 % in the detection of epilepsy.en-US
dc.descriptionEn el presente artículo se presenta un detector de neuropatologías, a partir del electroencefalograma (EEG) del paciente. La detección se basa en la clasificación de imágenes de HOSA (siglas en inglés para análisis de estadísticas de orden superior o “High Order Statistical Analysis”) derivadas de series de tiempo correspondientes a EEG de pacientes humanos. El clasificador es un modelo de aprendizaje profundo DL (“Deep Learning”) con la arquitectura de la CNN (Red Neuronal Convolucional o “Convolutional Neural Networks”) pre-entrenada: “Inception”. El conjunto de entrenamiento y prueba de la CNN son imágenes de HOSA, que representan los cumulantes de tercer orden de segmentos no lineales y no gaussianos, de señales correspondientes al canal seleccionado del EEG de pacientes con neuropatologías (específicamente, epilepsia) o sanos. El desempeño del clasificador es muy satisfactorio, presentando una exactitud de aproximadamente 94 % en la detección de epilepsia.es-ES
dc.formatapplication/pdf
dc.languagespa
dc.publisherUniversidad de Caraboboes-ES
dc.relationhttps://revistascientificasuc.org/index.php/revinguc/article/view/14/27
dc.rightsDerechos de autor 2023 Revista Ingeniería UCes-ES
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0es-ES
dc.sourceRevista Ingeniería UC; Vol. 28 Núm. 1 (2021): Abril 2021; 141-151es-ES
dc.source2610-8240
dc.source1316-6832
dc.subjectEEGes-ES
dc.subjectestadísticas de orden superiores-ES
dc.subjectaprendizaje profundoes-ES
dc.subjectred neuronal convolucional pre-entrenada Inception.es-ES
dc.subjectEEGen-US
dc.subjecthigher order statisticsen-US
dc.subjectdeep learningen-US
dc.subjectpre-trained convolutional neural network Inceptionen-US
dc.titleNeuropathology Detector in EEG using Higher Order Statistics and Deep Learningen-US
dc.titleDetector de Neuropatologías en EEG usando Estadísticas de Orden Superior y Aprendizaje Profundoes-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion


Este ítem pertenece a la siguiente institución