Classification of epileptiform and wicket spike of EEG pattern using backpropagation neural network

Puspita, Juni Wijayanti; Jaya, Agus Indra; Gunadharma, Suryani

doi:10.1063/1.4978987

Cited by 7 publications

(5 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Backpropagation Neural Network (BNN) uses an error output to change the weight values that are connected to the neurons in a hidden layer in the reverse direction until the ideal weight values that minimize the function of the network performance are reached [15]. Artificial Neural Network (ANN) is a technique that simulates the functioning of a neuron being widely used in machine training for task execution or decision making based on a classification pattern [16].…”

Section: Results E Discussionmentioning

confidence: 99%

Machine Learning Applied to Neuroreabilitation: A Systematic Mapping

Fernandes

Santana

2020

JADI

View full text Add to dashboard Cite

Machine learning and recommendation systems are tools used to improve the search indices of the most relevant items in large amounts of data that can be applied in the health area. To present a systematic mapping in the area of neurorehabilitation that uses machine learning. Analyze the references of the work carried out involving the theme on the application of machine learning in the area of neurorehabilitation. Search for studies enrolled in databases through logical operators for the selection of peer-reviewed journal articles. In addition, it was verified that the application of the systematic mapping in the elaboration of the bibliographic review allows to identify the main gaps for the development of new research, and to direct to the main publications related to the study. Therefore, it is necessary to promote this area of research to offer this public access to the techniques of neuro-rehabilitation as a form of treatment, acquisition of knowledge, motivation or even inclusion. In this way, it will be possible to obtain a greater maturity in the obtained results and, thus, to promote a systematization in the use of neuro-rehabilitation in the promotion of the well-being of these people.

show abstract

Section: Results E Discussionmentioning

confidence: 99%

Machine Learning Applied to Neuroreabilitation: A Systematic Mapping

Fernandes

Santana

2020

JADI

View full text Add to dashboard Cite

show abstract

“…Penelitian untuk mengklasifikasikan wicket spikes dengan gelombang epilepsi ini memang masih belum marak dilakukan, namun sangat dibutuhkan oleh dokter pada kehidupan praktis. Pada penelitian sebelumnya yang dilakukan oleh Juni Wijayanti pada tahun 2016 [2], digunakan metode Backpropagation Neural Network untuk melakukan klasifikasi antara Wicket spikes dan sinyal Gelombang Epilepsi melalui sinyal EEG. Pada penelitian tersebut didapatkan recognition rate dengan rata-rata 70%.…”

Section: Pendahuluanunclassified

“…Pada Tabel 3 dapat dilihat detail hasil percobaan dan tingkat keberhasilan yang didapatkan oleh metode yang diusulkan. Hasil recognition rate dari metode yang diusulkan dibandingkan dengan metode yang diusulkan sebelumnya oleh Juni Puspita adalah 76.12% dibandingkan dengan 96% [2] . Dapat dilihat bahwa nilai akurasi yang dihasilkan oleh metode yang diajukan untuk tugas klasifikasi Epileptiform -Wicket spikes menghasilkan hasil yang lebih tinggi dibandingkan dengan penelitian sebelumnya.…”

Section: B Analisis Hasil Classifier Epilleptiform Dan Wicket Spikesunclassified

Klasifikasi Epileptiform dan Wicket Spikes Menggunakan Metode Key-Point Based Local Binary Pattern

Tayu¹,

Nuh²,

Yazid³

2020

JTITS

View full text Add to dashboard Cite

Epilepsi adalah gangguan kronis otak disebabkan oleh adanya lepasan muatan listrik abnormal yang berlebihan di neuron-neuron otak secara berlebihan di neuron-neuron otak secara paroksismal dan disebabkan oleh berbagai etiologi, bukan disebabkan oleh penyakit otak akut. Sampai saat ini jumlah penderita Epilepsi mencapai 50 juta di seluruh dunia. Di Indonesia diperkirakan kesalahan diagnosis epilepsi mencapai 20-30%. Salah satu metode yang lazim digunakan untuk pemeriksaan epilepsi adalah dengan melakukan perekaman Electroencephalogram (EEG) kemudian dilanjutkan dengan melakukan diagnosis berdasarkan hasil rekaman sinyal EEG yang dihasilkan. Proses pemeriksaan secara manual oleh dokter ini merupakan proses yang panjang dan melelahkan sehingga tidak jarang menyebabkan terjadinya kesalahan dan over-diagnosis. Salah satu jenis sinyal EEG yang cukup sering salah dianggap sebagai sinyal tanda epilepsi adalah Wicket spikes. Wicket spikes merupakan sinyal wicket yang muncul saat pasien mengalami tidur ringan pada saat pemeriksaan EEG, bentuknya yang mirip sering disalah-artikan sebagai epileptiform sharp wave. Pada penelitian ini, diajukan metode Key-Point Local Binary Pattern dan Support Vector Machine untuk melakukan klasifikasi antara Epileptiform dan Wicket spikes. Metode yang diajukan termasuk pendeteksian Key-Point pada sinyal yang sebelumnya telah melalui proses konvolusi dengan filter gaussian. Local Binary Pattern kemudian akan dihasilkan berdasarkan lokasi Key-Point. Kemudian hasil histogram tersebut akan dimasukkan ke dalam Support Vector Machine untuk diklasifikasikan. Hasil proses klasifikasi berupa hyperplane yang mengklasifikasikan tiga kelas yaitu normal, epileptiform dan wicket spikes. Didapatkan metode yang diajukan memiliki tingkat keberhasilan sebesar 96% persen untuk klasifikasi pada Epileptiform dan Wicket spikes dan lebih besar dari yang ada pada saat ini.

show abstract

“…The aim of our study is to differentiate wicket from IEDs using simple mathematics formulas for quantitative pattern recognition. This study uses the feature extraction simulation in Puspita et al (2017bPuspita et al ( , 2017c to measure the variables of the formula, namely amplitude, duration and angles.…”

Section: Introductionmentioning

confidence: 99%

Quantitative Measure to Differentiate Wicket Spike from Interictal Epileptiform Discharges

Gunadharma

Rizal

Ruslami

et al. 2021

CBMS

Self Cite

View full text Add to dashboard Cite

A number of benign EEG patterns are often misinterpreted as interictal epileptiform discharges (IEDs) because of their epileptiform appearances, one of them is wicket spike. Differentiating wicket spike from IEDs may help in preventing epilepsy misdiagnosis. The temporal location of IEDs and wicket spike were chosen from 143 EEG recordings. Amplitude, duration and angles were measured from the wave triangles and were used as the variables. In this study, linear discriminant analysis is used to create the formula to differentiate wicket spike from IEDs consisting spike and sharp waves. We obtained a formula with excellent accuracy. This study emphasizes the need for objective criteria to distinguish wicket spike from IEDs to avoid misreading of the EEG and misdiagnosis of epilepsy.

show abstract

Classification of epileptiform and wicket spike of EEG pattern using backpropagation neural network

Cited by 7 publications

References 10 publications

Machine Learning Applied to Neuroreabilitation: A Systematic Mapping

Machine Learning Applied to Neuroreabilitation: A Systematic Mapping

Klasifikasi Epileptiform dan Wicket Spikes Menggunakan Metode Key-Point Based Local Binary Pattern

Quantitative Measure to Differentiate Wicket Spike from Interictal Epileptiform Discharges

Contact Info

Product

Resources

About