Website được thiết kế tối ưu cho thành viên chính thức. Hãy Đăng nhập hoặc Đăng ký để truy cập đầy đủ nội dung và chức năng. Nội dung bạn cần không thấy trên website, có thể do bạn chưa đăng nhập. Nếu là thành viên của website, bạn cũng có thể yêu cầu trong nhóm Zalo "NCKH Members" các nội dung bạn quan tâm.

Hệ thống dự đoán động kinh dựa trên tensor với điện não đồ đa chiều không hoàn chỉnh

nckh
Thông tin nghiên cứu
Loại tài liệu
Bài báo trên tạp chí khoa học (Journal Article)
Tiêu đề
Hệ thống dự đoán động kinh dựa trên tensor với điện não đồ đa chiều không hoàn chỉnh
Tác giả
Nguyễn Thị Ngọc Anh; Võ Trung Hùng
Năm xuất bản
2024
Số tạp chí
7
Trang bắt đầu
83-89
ISSN
1859-1531
Tóm tắt

Mục tiêu của bài báo là đề xuất công nghệ mới có khả năng phân tích các tín hiệu đa chiều của điện não đồ (EEG) để dự báo hoạt động co giật động kinh khi có sự hiện diện các giá trị bị thiếu khi mà hầu hết các kỹ thuật thông thường trước đây thường bị hạn chế với cấu trúc 2D và các kênh hoàn chỉnh. Do đó, phương pháp đề xuất dự báo xu hướng bệnh động kinh trong tương lai đồng thời tự động xử lý dữ liệu bị thiếu trong cùng một khung. Điểm mới lạ chính của phương pháp đề xuất gồm (1) khai thác cả trạng thái tiềm ẩn và động lực chuỗi thời gian để phát hiện xu hướng mẫu trong quá trình phục hồi dữ liệu bị mất cũng như dự đoán, (2) bảo toàn bản chất cấu trúc tensor của tín hiệu não EEG đa chiều. Phương pháp được đề xuất phát huy tính mạnh mẽ của nó thông qua việc so sánh với các kỹ thuật khác trên tập dữ liệu thực tế với các kịch bản dữ liệu bị mất khác nhau.

Abstract

In this paper, our overarching goal is to propose a novel technology that will facility to analyze multi-way arrays electroencephalogram (EEG) brain signals to forecast epileptic seizure activity in the presence of missing entries while most previous conventional techniques commonly are restricted to perform the forecast epilepsy through 2D-based noninvasive EEG with complete channels. As such, the proposed method can forecast future trends of epilepsy activity while simultaneously dealing with missing datawithin one framework automatically. The key novelty of the proposed method demonstrates (1) exploiting both latent states and time series dynamics for detecting patterns trends information in missing reconstruction as well as prediction, (2) preserving the nature of tensor structure of multiway EEG brain signals. The proposed method performs its robustness via demonstrating high seizure forecasting accuracy through the comparative study with other techniques on the real public dataset with different scenarios of corrupted data