Electroencephalography (EEG) is a common tool used for the detection of epileptic seizures. However, the visual analysis of long-term EEG recordings is characterized by its subjectivity, time-consuming procedure and its erroneous detection. Various epileptic seizure detection algorithms have been proposed to deal with such issues. In this study, a novel automatic seizure-detection approach is proposed. Three different strategies are suggested to the user whereby he/she could choose the appropriate one for a given classification problem. Indeed, the feature extraction step, including both linear and nonlinear measures, is performed either directly from the EEG signals, or from the derived sub-bands of tunable-Q wavelet transform (TQWT), or even from the intrinsic mode functions (IMFs) of multivariate empirical mode decomposition (MEMD). The classification procedure is executed using a support vector machine (SVM). The performance of the proposed method is evaluated through a publicly available database from which six binary classification cases are formulated to discriminate between healthy, seizure and non-seizure EEG signals. Our results show high performance in terms of accuracy (ACC), sensitivity (SEN) and specificity (SPE) compared to the state-of-the-art approaches. Thus, the proposed approach for automatic seizure detection can be considered as a valuable alternative to existing methods, able to alleviate the overload of visual analysis and accelerate the seizure detection.

中文翻译：

---

使用机器学习技术和先进的预处理方法对 EEG 信号进行癫痫发作检测

脑电图 (EEG) 是用于检测癫痫发作的常用工具。然而，长期脑电图记录的视觉分析的特点是其主观性、耗时的过程和错误的检测。已经提出了各种癫痫发作检测算法来处理这些问题。在这项研究中，提出了一种新的自动癫痫检测方法。向用户建议了三种不同的策略，他/她可以为给定的分类问题选择合适的一种。实际上，特征提取步骤，包括线性和非线性测量，要么直接从 EEG 信号执行，要么从可调谐 Q 小波变换 (TQWT) 的导出子带执行，甚至从固有模式函数 (IMF) 执行多元经验模式分解（MEMD）。使用支持向量机 (SVM) 执行分类过程。所提出方法的性能通过一个公开可用的数据库进行评估，从该数据库中制定了六个二元分类案例，以区分健康、癫痫发作和非癫痫发作 EEG 信号。与最先进的方法相比，我们的结果显示了在准确性 (ACC)、灵敏度 (SEN) 和特异性 (SPE) 方面的高性能。因此，所提出的自动癫痫检测方法可以被认为是现有方法的一种有价值的替代方法，能够减轻视觉分析的过载并​​加速癫痫检测。所提出方法的性能通过一个公开可用的数据库进行评估，从该数据库中制定了六个二元分类案例，以区分健康、癫痫发作和非癫痫发作 EEG 信号。与最先进的方法相比，我们的结果显示了在准确性 (ACC)、灵敏度 (SEN) 和特异性 (SPE) 方面的高性能。因此，所提出的自动癫痫检测方法可以被认为是现有方法的一种有价值的替代方法，能够减轻视觉分析的过载并​​加速癫痫检测。所提出方法的性能通过一个公开可用的数据库进行评估，从该数据库中制定了六个二元分类案例，以区分健康、癫痫发作和非癫痫发作 EEG 信号。与最先进的方法相比，我们的结果显示了在准确性 (ACC)、灵敏度 (SEN) 和特异性 (SPE) 方面的高性能。因此，所提出的自动癫痫检测方法可以被认为是现有方法的一种有价值的替代方法，能够减轻视觉分析的过载并​​加速癫痫检测。