In this paper, reduced deep convolutional stack autoencoder (RDCSAE) and improved kernel random vector functional link network (IKRVFLN) are combined to recognize the epileptic seizure using both the multichannel scalp and single-channel electroencephalogram (EEG) signals. The novel RDCSAE structure is designed to extract the most discriminative unsupervised features from EEG signals and fed into the proposed supervised IKRVFLN classifier to train efficiently by reducing the mean-square error cost function for recognizing the epileptic seizure activity with promising accuracy. The proposed RDCSAE-IKRVFLN algorithm is tested over the benchmark Boston Children's Hospital multichannel scalp EEG (sEEG) and Boon University, Germany single-channel EEG databases. The less computational complexity, higher learning speed, better model generalization, accurate epileptic seizure recognition, remarkable classification accuracy, negligible false positive rate per hour (FPR/h) and short event recognition time are the main advantages of the proposed RDCSAE-IKRVFLN method over reduced deep convolutional neural network (RDCNN), RDCSAE and RDCSAE-KRVFLN methods. The proposed RDCSAE-IKRVFLN method is implemented in a high-speed reconfigurable field-programmable gate array (FPGA) hardware environment to design a computer-aided-diagnosis (CAD) system for automatic epileptic seizure diagnosis. The simplicity, feasibility, and practicability of the proposed method validate the stable and reliable performances of epilepsy detection and recognition.

中文翻译：

---

使用减少的深度卷积堆栈自动编码器和来自 EEG 信号的改进内核 RVFLN 的癫痫发作识别

在本文中，减少的深度卷积堆栈自动编码器（RDCSAE）和改进的内核随机向量功能链接网络（IKRVFLN）结合使用多通道头皮和单通道脑电图（EEG）信号识别癫痫发作。新的 RDCSAE 结构旨在从 EEG 信号中提取最具辨别力的无监督特征，并将其输入到所提出的监督 IKRVFLN 分类器中，以通过减少均方误差成本函数来有效地训练，从而以有希望的精度识别癫痫发作活动。所提出的 RDCSAE-IKRVFLN 算法在基准波士顿儿童医院多通道头皮脑电图 (sEEG) 和德国布恩大学单通道脑电图数据库上进行了测试。更少的计算复杂度，更高的学习速度，更好的模型泛化能力，准确的癫痫发作识别、显着的分类精度、可忽略的每小时假阳性率 (FPR/h) 和较短的事件识别时间是所提出的 RDCSAE-IKRVFLN 方法相对于简化的深度卷积神经网络 (RDCNN)、RDCSAE 和 RDCSAE 的主要优点- KRVFLN 方法。所提出的 RDCSAE-IKRVFLN 方法在高速可重构现场可编程门阵列 (FPGA) 硬件环境中实施，以设计用于自动癫痫发作诊断的计算机辅助诊断 (CAD) 系统。该方法的简单性、可行性和实用性验证了癫痫检测和识别的稳定可靠的性能。与简化的深度卷积神经网络 (RDCNN)、RDCSAE 和 RDCSAE-KRVFLN 方法相比，所提出的 RDCSAE-IKRVFLN 方法的主要优点是每小时可忽略的误报率 (FPR/h) 和较短的事件识别时间。所提出的 RDCSAE-IKRVFLN 方法在高速可重构现场可编程门阵列 (FPGA) 硬件环境中实施，以设计用于自动癫痫发作诊断的计算机辅助诊断 (CAD) 系统。该方法的简单性、可行性和实用性验证了癫痫检测和识别的稳定可靠的性能。与简化的深度卷积神经网络 (RDCNN)、RDCSAE 和 RDCSAE-KRVFLN 方法相比，所提出的 RDCSAE-IKRVFLN 方法的主要优点是每小时可忽略的误报率 (FPR/h) 和较短的事件识别时间。所提出的 RDCSAE-IKRVFLN 方法在高速可重构现场可编程门阵列 (FPGA) 硬件环境中实施，以设计用于自动癫痫发作诊断的计算机辅助诊断 (CAD) 系统。该方法的简单性、可行性和实用性验证了癫痫检测和识别的稳定可靠的性能。所提出的 RDCSAE-IKRVFLN 方法在高速可重构现场可编程门阵列 (FPGA) 硬件环境中实施，以设计用于自动癫痫发作诊断的计算机辅助诊断 (CAD) 系统。该方法的简单性、可行性和实用性验证了癫痫检测和识别的稳定可靠的性能。所提出的 RDCSAE-IKRVFLN 方法在高速可重构现场可编程门阵列 (FPGA) 硬件环境中实施，以设计用于自动癫痫发作诊断的计算机辅助诊断 (CAD) 系统。该方法的简单性、可行性和实用性验证了癫痫检测和识别的稳定可靠的性能。