Analýza příznaků automatické klasifikace epileptických EEG záznamů za pomoci algoritmu k-NN

Abstract

Práce se zabývá automatickou klasifikací elektroenfalografického (EEG) signálu, jehož segmenty lze rozdělit do tříd podle typu mozkové aktivity. Za účelem lepší klasifikace do těchto tříd jsem analyzovala příznaky etalonů používané k detekci epileptické aktivity v EEG záznamech, jakých hodnot nabývají a~jak se tyto hodnoty liší v závislosti na příslušnosti segmentu k třídě. V programovém prostředí MATLAB jsem implementovala k-NN klasifikátor a s jeho použitím byly klasifikovány EEG záznamy pěti pacientů. Pro klasifikaci je použito nejprve 24 příznaků a následně po redukci na základě zjištěných korelací mezi příznaky je provedena klasifikace jen s 20, 15, 10 a dokonce 5 příznaky. Klasifikace je vyhodnocena pomocí klasifikačních (konfuzních) matic a pomocí statistických charakteristik: senzitivity, specificity a přesnosti. Výsledky klasifikace naznačují, že z důvodu vysoké korelace příznaků mezi sebou lze vybrat 5 příznaků tak, aby jejich klasifikace byla dostačující bez výrazného poklesu její přesnosti.

The thesis deals with automated classification of electroencephalographic (EEG) signal, segments of the signal can be classified into classes depending on the type of brain activity. I analysed features used for detection of epileptic activity in EEG recordings, what their typical values are and what the difference is between the values depending on segment's class. I implemented the k-NN classifier myself in the programming environment MATLAB and it was used for classification of five EEG patient's recordings. Originally 24 features was used for classification, then it was reduced to 20, 15, 10 and 5 features, the features reduction is based on correlations found between the features. The classification is evaluated by confusion matrices and also by statistical characteristics like sensitivity, specificity and precision. The results show high correlation between some features and the classification indicates that using even only 5 features could be enough without significant decrease in precision.