A deep learning approach for epilepsy seizure detection using EEG signals

• Autores: Manoj Kaushik, Divyanshu Singh, Malay Kishore Dutta, Carlos Manuel Travieso González
• Localización: Tecnología en Marcha, ISSN 0379-3982, ISSN-e 2215-3241, Vol. 35, Nº. Extra 8, 2022 (Ejemplar dedicado a: International Work Conference on Bioinspired Intelligence), págs. 110-118
• Idioma: inglés
• Títulos paralelos:
  • Un enfoque de aprendizaje profundo para la detección de ataques de epilepsia mediante señales de EEG
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El electroencefalograma (EEG) es una forma eficaz y no invasiva de detectar cambios repentinos en la actividad neuronal del cerebro, que generalmente se produce debido a una descarga eléctrica excesiva en las células cerebrales. Las señales de EEG podrían ser útiles en la predicción de convulsiones inminentes si la máquina pudiera detectar cambios en los patrones de EEG. En este estudio, hemos propuesto una red neuronal convolucional (CNN) unidimensional para la detección automática de crisis epilépticas. El proceso automático puede ser conveniente en las situaciones en las que un neurólogo no está disponible y también ayudar a los neurólogos en el análisis adecuado de las señales de EEG y el diagnóstico de casos. Hemos utilizado dos conjuntos de datos de EEG disponibles públicamente, que se recopilaron de los dos países africanos, Guinea-Bissau y Nigeria. Los conjuntos de datos contienen señales de EEG de 318 sujetos. Hemos entrenado y verificado el rendimiento de nuestro modelo probándolo en ambos conjuntos de datos y obtuvimos la precisión más alta del 82,818%

  • English

    Electroencephalogram (EEG) is an effective non-invasive way to detect sudden changes in neural brain activity, which generally occurs due to excessive electric discharge in the brain cells. EEG signals could be helpful in imminent seizure prediction if the machine could detect changes in EEG patterns. In this study, we have proposed a one-dimensional Convolutional Neural network (CNN) for the automatic detection of epilepsy seizures. The automated process might be convenient in the situations where a neurologist is unavailable and also help the neurologists in proper analysis of EEG signals and case diagnosis. We have used two publicly available EEG datasets, which were collected from the two African countries, Guinea-Bissau and Nigeria. The datasets contain EEG signals of 318 subjects. We have trained and verify the performance of our model by testing it on both the datasets and obtained the highest accuracy of 82.818%.