赛义德·棉·盖萨 自适应率EEG处理和基于机器学习的癫痫有效识别。 （英语） 兹伯利07827416 Pal，Kunal（编辑）等人，《生物医学信号处理和分析的先进方法》。阿姆斯特丹：爱思唯尔/学术出版社。341-373 (2023). 概述：生物医学传感器和基于云的智能应用程序是当代自动化医疗系统的主要组件。在移动癫痫发作护理的框架内，需要多通道EEG信号的采集、处理、传输和解释。传统的癫痫自动检测系统具有时间不变性，并且存在收集的信息多于所需信息的缺点。这就造成了能量计算、存储和传输活动的浪费。在这个框架中，实时数据压缩技术可以发挥重要作用。从这个意义上说，这项工作描述了一种基于云的高效自动癫痫检测的原始策略。该方法巧妙地利用了自适应速率处理的思想。其目的是获得实时压缩优势，以确保高效的EEG信号处理、检索和解释，作为基于云的医疗保健系统开发的一部分。特定的大脑活动会导致EEG信号不同，并会影响自动分类的性能。因此，在这种分析中，通过应用新的自适应阶滤波对信号进行调节。然后，自适应速率离散小波变换（DWT）通过分解增强信号导出子带。在下一步中，使用严格的分类器来识别各种预期的脑电图信号类别。该方法的效率通过使用Hauz Khas健康中心公开的癫痫数据集进行评估。结果表明，与固定速率对应项相比，在压缩和处理效率方面有显著提高。准确率、特异性、F测量和Kappa统计均用于测试建议的方法。结果表明，该方法具有较高的分类精度。它确保了将建议的解决方案嵌入现有的自动癫痫检测器中以实现高效的基于云的医疗解决方案的好处。关于整个系列，请参见[Zbl 1504.92002号]. MSC公司： 92C55 生物医学成像和信号处理 关键词：自适应速率处理;癫痫;脑电图;自适应阶滤波;离散小波变换;压缩;计算复杂性;机器学习 PDF格式BibTeX公司 XML格式引用 \textit{S.M.Qaisar}，in：生物医学信号处理和分析的高级方法。阿姆斯特丹：爱思唯尔/学术出版社。341--373（2023；Zbl 07827416） 全文： 链接