Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Subject-Independent Epileptic Seizure Prediction using Spectral Power and Correlation Coefficients
KTH, School of Computer Science and Communication (CSC).
KTH, School of Computer Science and Communication (CSC).
2017 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Patientoberoende prognoser av epileptiska anfall med hjälp av spektral energifördelning och korrelations koefficienter (Swedish)
Abstract [en]

Epileptic seizure prediction algorithms with prediction rates above random have been produced, with varying success, during the last ten to twenty years. The algorithms produced have been tailored to the specific characteristics of a subject’s epilepsy, referred to as subject-specific prediction algorithms. Such customization entails the training of the algorithm’s classifier on the specific EEG-data pertaining to the subject. An inherent requirement is the time-intensive task of recording and labeling the subjects EEG, which will be used for the training of the classifier. As such, this thesis investigates the possibility of adjusting the training of a subject-specific algorithm’s classifier to make it subject-independent. The investigation is based on whether the subject-independent version could achieve prediction rates equal to or better than that of the original subject-specific version. The methodology carried out employs a subjectspecific algorithm, sourced from a Kaggle competition, which utilizes a Support Vector Machine and spectral power and correlation coefficients as its features. The training of the classifier was modified to be subjectindependent and then compared to the performance of the subject-specific version. The results indicate that the subject-independent version performed worse than the original subject-specific one, in fact it performs below or equal to random prediction rates. It is concluded that: due to the dependency of epileptic seizure prediction algorithms on the strict characteristics of a subjects epilepsy, a subject-independent algorithm, produced with the adjustment of a subject-specific version, can’t, at this time, achieve prediction rates equal to or higher than that of the subjectspecific version.

Abstract [sv]

De senaste 20 åren har algoritmer som kan förutspå epileptiska anfall utvecklats. Dessa har, med varierande resultat, kunnat förutspå epileptiska anfall med sannolikhetsestimeringar som varit bättre än en slumpmässig estimering. Algoritmerna är skräddarsydda för att användas på specifika egenskaper för epilepsin hos en specifik patient. Detta medför att en klassificerare anpassas efter träningen på den specifika EEG-datan för patienten. Att producera en ny patient-specifik algoritm är tidskrä- vande då det kräver både inspelning och att det sätts etiketter på ny EEGdata för varje patient. Därav undersöker denna rapport möjligheten att justera träningen av den patientspecifika algoritmens klassificerare för att göra den oberoende av patienten. För att kunna mäta detta undersöktes om en patientoberoende algoritm kunde uppnå sannolikhetsestimeringar som var lika bra eller bättre än en patientspecifik algoritm. Metoden har anpassats efter en algoritm som varit tillgänglig från en Kaggle-tävling. Algoritmens träning har ändrats för att bli patient-oberoende och resultaten har jämförts med resultaten från den patient-specifika algoritmen. Denna algoritm använder sig utav egenskaperna hos den spektrala energifördelningen, och korrelations koefficienter tillsammans med en Support Vector Machine. Resultaten visar att den patient-oberoende algoritmen presterar sämre än den ursprungliga patient-specifika versionen. Resultaten visar även att den inte överskrider en slumpmässig estimeringsmetod. Utifrån dessa resultat kan en slutsats dras; att baserat på de specifika egenskaperna hos en patients epilepsi, kan inte idag en patientoberoende algoritm, utvecklad genom att anpassa en patient-specifik algoritm, nå sannolikhetsestimeringar som är lika bra med eller bättre än en patient-specifik.

Place, publisher, year, edition, pages
2017.
National Category
Computer Science
Identifiers
URN: urn:nbn:se:kth:diva-208684OAI: oai:DiVA.org:kth-208684DiVA: diva2:1108322
Supervisors
Examiners
Available from: 2017-06-18 Created: 2017-06-12 Last updated: 2017-06-18Bibliographically approved

Open Access in DiVA

fulltext(3651 kB)28 downloads
File information
File name FULLTEXT01.pdfFile size 3651 kBChecksum SHA-512
3dc99b2e3683c755b30eb44e0c0c10608fb704a31b9ea6052fc14febfbc486f24eab2287affa852e2d36cd51da7ec5b1c4c8e92056e0d76eb58e72979775b938
Type fulltextMimetype application/pdf

By organisation
School of Computer Science and Communication (CSC)
Computer Science

Search outside of DiVA

GoogleGoogle Scholar
Total: 28 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

Total: 49 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf