Classification of healthy, inter-ictal and seizure signal using various classification techniques

Electroencephalography (EEG) is the study of brain electrical activity for different physiological state of the brain. The main purpose of this paper is to identify epileptical seizure signal from EEG signal through combinational classifier. Combinational classifier combine kNN classifier with ANN classifier. k-NN classifier for detection of Healthy and Inter-ictal signal then ANN classifier for the detection of Seizure signal. These three classifier works on same input values of Fractal Dimension called as Higuchi Fractal Dimension. Higuchi Fractal Dimension derived three parameters (1) Fractal Dimension, (2) Standard Deviation of Fractal Dimension and (3) Standard Deviation of scaling factor used as inputs of the k-NN classifier, ANN classifier and Combinational Classifier respectively for the classification of EEG signal and Detection of Seizure signal from EEG signal. The findings of this research on the basis of this three input statistical parameter value performance parameter like Accuracy, Sensitivity and Selectivity calculated as 92.66%, 89% and 89% respectively and compared its performance with different statistical feature using other classifier. RÉSUMÉ. L'électroencéphalographie (EEG) est l'étude de l'activité électrique du cerveau pour différents états physiologiques du cerveau. Le but principal de cet article est d’identifier le signal de crise épileptique à partir du signal EEG via un classificateur combinatoire. Le classifieur combinatoire combine le classifieur k-NN avec le classifieur ANN. Classificateur kNN pour la détection du signal Sain et Inter-ictus, puis classificateur ANN pour la détection du signal Convulsif. Ces trois classificateurs fonctionnent sur les mêmes valeurs d'entrée de la Dimension Fractale appelée Dimension Fractale de Higuchi. La dimension fractale de Higuchi a dérivé trois paramètres (1) la dimension fractale, (2) l'écart type de la dimension fractale et (3) l'écart type du facteur d'échelle utilisé comme entrées du classifieur k-NN, du classifieur ANN et du classificateur combinatoire, respectivement, pour la classification du signal EEG et détection du signal convulsif du signal EEG. Les résultats de cette recherche reposant sur ce paramètre de performance à trois entrées statistiques comme Précision, Sensibilité et Sélectivité sont calculés respectivement à 92,66%, 89% et 89% et comparent ses performances avec différentes caractéristiques statistiques utilisant un autre classificateur.

[1]  Mehmet Siraç Özerdem,et al.  Classification of EEG data sets with Hilbert transform , 2016, 2016 24th Signal Processing and Communication Application Conference (SIU).

[2]  Manish N. Tibdewal,et al.  Wavelet transform based multiple features extraction for detection of epileptic/ non-epileptic multichannel EEG , 2016, 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom).

[3]  Arthur Petrosian,et al.  Kolmogorov complexity of finite sequences and recognition of different preictal EEG patterns , 1995, Proceedings Eighth IEEE Symposium on Computer-Based Medical Systems.

[4]  T. Higuchi Approach to an irregular time series on the basis of the fractal theory , 1988 .

[5]  Satchidananda Dehuri,et al.  ABC optimized RBF network for classification of EEG signal for epileptic seizure identification , 2017 .

[6]  Gang Wang,et al.  The Removal of EOG Artifacts From EEG Signals Using Independent Component Analysis and Multivariate Empirical Mode Decomposition , 2016, IEEE Journal of Biomedical and Health Informatics.

[7]  P. Sircar,et al.  Time-frequency analysis using time-order representation and Wigner distribution , 2008, TENCON 2008 - 2008 IEEE Region 10 Conference.

[8]  P. Geethanjali,et al.  DWT Based Detection of Epileptic Seizure From EEG Signals Using Naive Bayes and k-NN Classifiers , 2016, IEEE Access.

[9]  Rajesh Patel,et al.  Suppression of Eye-Blink Associated Artifact Using Single Channel EEG Data by Combining Cross-Correlation With Empirical Mode Decomposition , 2016, IEEE Sensors Journal.