The brain electrical activity, recorded and materialized as electroencephalogram (EEG) signals, is known to be very useful in the diagnosis of brain-related pathology. However, manual examination of these EEG signals has various limitations, including time-consuming inspections, the need for highly trained neurologists, and the subjectiveness of the evaluation. Thus, an automated EEG pathology detection system would be helpful to assist neurologists to enhance the treatment procedure by making a quicker diagnosis and reducing error due to the human element. This work proposes the application of a time-frequency spectrum to convert the EEG signals onto the image domain. The spectrum images are then applied to the Convolutional Neural Network (CNN) to learn robust features that can aid the automatic detection of pathology and normal EEG signals. Three popular CNN in the form of the DenseNet, Inception-ResNet v2, and SeizureNet were employed. The extracted deep-learned features from the spectrum images are then passed onto the support vector machine (SVM) classifier. The effectiveness of the proposed approach was assessed using the publicly available Temple University Hospital (TUH) abnormal EEG corpus dataset, which is demographically balanced. The proposed SeizureNet-SVM-based system achieved state-of-the-art performance: accuracy, sensitivity, and specificity of 96.65%, 90.48%, and 100%, respectively. The results show that the proposed framework may serve as a diagnostic tool to assist clinicians in the detection of EEG pathology for early treatment.

已知并记录为脑电图（EEG）信号的脑电活动在诊断与脑有关的病理学方面非常有用。但是，手动检查这些EEG信号具有多种局限性，包括耗时的检查，对训练有素的神经科医生的需求以及评估的主观性。因此，自动化的EEG病理检测系统将有助于神经科医师通过更快的诊断并减少由于人为因素引起的错误来增强治疗程序。这项工作提出了一种时间频谱的应用，以将EEG信号转换到图像域上。然后将光谱图像应用于卷积神经网络（CNN），以学习强大的功能，这些功能可以帮助自动检测病理和正常的EEG信号。使用了DenseNet，Inception-ResNet v2和SeizureNet形式的三种流行的CNN。然后将从光谱图像中提取的深度学习特征传递到支持向量机（SVM）分类器上。使用公开可用的天普大学医院（TUH）异常EEG语料库数据集评估了该方法的有效性，该数据集在人口统计学上是平衡的。拟议中的基于SeizureNet-SVM的系统实现了最先进的性能：准确度，灵敏度和特异性分别为96.65％，90.48％和100％。结果表明，提出的框架可以作为诊断工具，以协助临床医生检测脑电图病理以进行早期治疗。然后将从光谱图像中提取的深度学习特征传递到支持向量机（SVM）分类器上。使用公开可用的天普大学医院（TUH）异常EEG语料库数据集评估了该方法的有效性，该数据集在人口统计学上是平衡的。拟议中的基于SeizureNet-SVM的系统实现了最先进的性能：准确度，灵敏度和特异性分别为96.65％，90.48％和100％。结果表明，提出的框架可以作为诊断工具，以协助临床医生检测脑电图病理以进行早期治疗。然后将从光谱图像中提取的深度学习特征传递到支持向量机（SVM）分类器上。使用公开可用的天普大学医院（TUH）异常EEG语料库数据集评估了该方法的有效性，该数据集在人口统计学上是平衡的。拟议中的基于SeizureNet-SVM的系统实现了最先进的性能：准确度，灵敏度和特异性分别为96.65％，90.48％和100％。结果表明，提出的框架可以作为诊断工具，以协助临床医生检测脑电图病理以进行早期治疗。在人口结构上是均衡的。拟议中的基于SeizureNet-SVM的系统实现了最先进的性能：准确度，灵敏度和特异性分别为96.65％，90.48％和100％。结果表明，提出的框架可以作为诊断工具，以协助临床医生检测脑电图病理以进行早期治疗。在人口结构上是均衡的。拟议中的基于SeizureNet-SVM的系统实现了最先进的性能：准确度，灵敏度和特异性分别为96.65％，90.48％和100％。结果表明，提出的框架可以作为诊断工具，以协助临床医生检测脑电图病理以进行早期治疗。