Kajian ini membentangkan satu analisis dan klasificasi algoritma untuk Electroencephalogram (EEG). EEG ialah isyarat elektrik daripada otak yang digunakan untuk penyelidikan neuro-patologi, seperti sawan epilepsi. Sawan epilepsi merupakan satu gangguan elektrik otak yang pendek dan secara tiba-tiba yang akan mengakibatkan gerakan badan luar-kawalan, penguncupan otot, konvulsi, hilang kesedaran dan lain-lain lagi. Walaubagaimanapun, ketidak-normal dalam EEG yang tidak-pegun adalah terlalu halus dan kecil untuk dikesan dan dianalisis oleh kaedah konvesional, seperti Transformasi Fourier (FT). Oleh itu, penggunaan Transformasi Wavelet Pegun (SWT) dicadangkan untuk menganalisis ciri-ciri epilepsi dalam EEG. Melalui skim multiresolusi (MRA), ciri-ciri fana dalam EEG dapat diperolehi dengan tepat dan disetempat dalam kedua-dua masa dan frequensi kontek. Algoritma yang dicadangkan tersebut boleh dibahagikan kepada dua bahagian, iaitu pra- dan pasca-pemprosesan EEG; keduadua pemprosesan tersebut adalah berdasarkan transformasi wavelet. Dalam prapemprosesan EEG, Hingar Penyingkiran SureShrink Heuristik (HSD) dan Artifak Penyingkiran Kurtosis Intuitif (IKD) akan digunakan untuk menyingkirkan bunyi-bising dan artifak yang terdapat dalam EEG. Manakala pasca-pemprosesan EEG adalah langkah untuk mengekstrak ciri-ciri daripada isyarat EEG. Dalam pengelasan EEG, sisyem pintar (AI) telah digunakan, iaitu Suap-Depan Jaringan Neural Perceptron Multi Lapis (Feedforward MLPNN). Ciri-ciri EEG yang diekstrak daripada pascapemprosesan EEG diguna sebagai input untuk pengelas tersebut dan Algoritma Rambatan Kesilapan Kebelakang (Error BP) diguna untuk latihan pengelasan supaya pengelas tersebut boleh mengelas isyarat EEG kepada tiga kelas: normal, interictal dan ictal. Prestasi pengelasan akan dinilai dari segi sensitiviti, specificiti dan ketepatan dengan menggunakan 3-Saluran Matrix Kekeliruan. Keputusan yang diperolehi telah menunjukkan bahawa algoritma yang dicadang dalam projek ini dapat mencapai peratusan ketepatan klasifikasi sebanyak 97.22%, dan ini juga menunjukkan bahawa algoritma tersebut mempunyai potensi dalam pengelasan isyarat EEG dengan tepat.
_______________________________________________________________________________________________________
In this study, an algorithm is presented for the analysis and classification of the Electroencephalogram (EEG). EEG is a signal record of the brain electrical activity, which has been widely used in the investigation of neuropathology, such as the epileptic seizure. The epileptic seizure is a sudden and temporary electrical disturbance of the brain causing involuntary movements, muscular contractions, convulsions, loss of consciousness, etc. However, the abnormalities in the non-stationary EEG are times too delicate to be detected and analyzed using conventional methods, such as the Fourier Transform (FT). This study has described the use the Stationary Wavelet Transform (SWT) in analyzing the epileptic characteristics of the EEG signal. Through the scheme of multiresolution analysis (MRA), the transient features of the EEG signal can be accurately captured and localized in both the temporal and spectral contexts. The proposed EEG signal processing is divided into two pre- and post- parts; both are worked on the basic of wavelet transform. In the EEG pre-processing, the proposed Heuristic SureShrink Denoising (HSD) and Intuitive Kurtosis Despiking (IKD) techniques are applied to remove the noises and artifacts that reside in the EEG signal, whereas the EEG post-processing is essentially the EEG features extraction. In the context of EEG classification, an Artificial Intelligence (AI) classifier is applied, which is the feedforward Multi Layer Perceptron Neural Network (MLPNN). The extracted features are used as the inputs to the MLPNN, and the error-backpropagation (BP) training algorithm is applied to train the MLPNN to classify three types of EEG: normal, interictal and ictal. The classification performance of the network is evaluated in terms of the sensitivity, specificity and accuracy by using the 3-Channel Confusion Matrix. The obtained results have shown a classification accuracy of 97.22%. This figure has confirmed that the proposed algorithm has potential in classifying the EEG signals.
Seizure detectetion in eeg signals using stationary wavelet transform and multi layer perception neural network / Ho Qiao Yee