TY  - THES
A3  - Seidenbecher, Thomas
AB  - Childhood absence epilepsy betrifft ungefähr 10-17% aller Kinder die mit Epilepsie diagnostiziert wurden, jedoch ist diese neurologische Krankheit nicht in jedem Fall gut behandelbar. Durch die Detektion von einem precursor vor einem Anfall wird die Früherkennung ermöglicht, die bisher hohe Fehlerraten aufwies. Diese Arbeit wendet mehrere Strategien an um die Anfallsfrüherkennung zu verbessern. Erstens, wurde der Einfluss von verschiedenen EEG Messregionen verglichen. Zweitens wurden unterschiede der zwei Tiermodelle (GAERS, WAG/Rij) aufgezeigt, wobei GAERS höhere Vorhersagewahrscheinlichkeiten aufzeigte. Drittens wurde der bisherige Algorithmus mit einem Random-forest weiter optimiert wobei hier richtig und falsch detektierte precursor signifikant weiter klassifiziert werden konnte (73.1%). Abschließend wurde losgelöst von bisherigen Ansätzen, ein Deep-Learning Algorithmus erfolgreich verwendet, der Roh EEG Daten analysiert und hierdurch selbstständig die Anfälle vorhersagt (75.1%).
AU  - Budde, Björn
DA  - 2020
KW  - Absence Seizure
KW  - SWD
KW  - Prediction
KW  - Machine Learning
KW  - Deep Learning
KW  - Random forest
LA  - eng
N1  - Münster (Westfalen), Univ., Diss., 2021
PY  - 2020
TI  - Optimization of spike and wave discharge prediction
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:6-27069526626
Y2  - 2024-11-22T03:48:20
ER  -