Classification of epileptic eeg signals based on finite impulse response filter and artificial neural networks training algorithms

Abstract

The electroencephalogram is a powerful tool for understanding the electrical activities of the brain. The automatic and accurate classification of extracranial and intracranial electroencephalogram signals are significant for the evaluation of epilepsy. Electroencephalogram signals contain significant characteristic information about epileptic brain waves. However, the electroencephalogram signals are easily disrupted by the artifacts polluting. This study proposed a clinical decision support system to extract significant epilepsy-related spectral features from the electroencephalogram signal. The artifact-free electroencephalogram signals features were obtained from the Kaiser window based on Finite Impulse Filter. The extracted features were modelled by the Artificial Neural Networks Back Propagation training algorithms which are Levenberg-Marquardt, Bayesian Regularization, and Scaled Conjugate Gradient. The algorithms' classification performances were compared by the accuracy rates. The experiment results show that compared with the Artificial Neural Networks Back Propagation training algorithms, the performance of the Levenberg-Marquardt is better from the point of accuracy rate which achieves a satisfying classification accuracy of 83.01% for extracranial and intracranial electroencephalogram signals.

Elektroansefalogram beyinin elektriksel aktivitelerini anlamak için güçlü bir araçtır. Ekstrakranial ve intrakranial elektroansefalogram sinyallerinin otomatik ve doğru sınıflandırılması epilepsinin değerlendirilmesi için önemlidir. Elektroansefalogram sinyali, epileptik beyin dalgası hakkında önemli karakteristik bilgi içermektedir. Fakat elektroansefalogram sinyali artefakt kirleticiler tarafından kolaylıkla bozulmaktadır. Bu çalışma, elektroansefalogram sinyalinden epilepsi hakkında önemli spektral özellikleri çıkarmak amacıyla klinik bir karar destek sistemi önermektedir. Artefakttan arındırılmış elektroansefalogram sinyal özellikleri, Kaiser penceresi tabanlı Sonlu Dürtü Yanıtı filtresinden elde edilmiştir. Yapay Sinir Ağları Geri Yayılım eğitim algoritmalarından Levenberg-Marquardt, Bayesian Düzenlenmesi ve Ölçekli Konjugat Gradyan algoritmalarına çıkarılan özellikler uygulanarak modellenmiştir. Algoritmaların sınıflandırma performansları doğruluk oranlarına göre karşılaştırılmıştır. Deneysel sonuçlar, Yapay Sinir Ağları Geri Yayılma eğitim algoritmaları ile yapılan deneyler karşılaştırıldığında, Levenberg-Marquardt algoritması ekstrakranial ve intrakranial elektroansefalogram sinyali için %83,01'lik tatmin edici bir sınıflandırma doğruluğu ile diğer algoritmalara göre daha iyi doğruluk oranı verdiğini gösterir.