▷ Epileptic seizure prediction with Machine Learning #ML using #Matlab

La epilepsia es un trastorno crónico del sistema nervioso central que predispone a las personas a experimentar ataques recurrentes. Afecta a 3 millones de estadounidenses y 50 millones de personas en todo el mundo. Una convulsión es una aberración transitoria en la actividad eléctrica del cerebro que produce síntomas físicos perturbadores, como un lapso en la atención y la memoria, una alucinación sensorial o una convulsión de todo el cuerpo. Estas convulsiones incontrolables representan un grave riesgo de lesiones, limitan la independencia y la movilidad de un individuo y dan como resultado tanto aislamiento social como dificultades económicas.

Cargar los datos desde carpeta especifica

clear;clc;

dir='D:\vasanza\...\DATA_EPY\';

E=importdata(strcat(dir,'electrodes.txt'));

L=importdata(strcat(dir,'labels.txt'));

Fs=256;%frecuencia de muestreo

size(E)%numero de archivos con los datos

ans = 1×2

8 1

size(L)%numero de archivos con los labels

ans = 1×2

7 1

Crear una sola fila de valores RMS por cada electrodo, esto por cada archivo

AllElectrodes=[];

AllLabels=[];

PredictionTime=10;%con cuantos segundos deseo predecir

skip=PredictionTime*Fs;

%Cálculo de muestras 10 seg x frecuencia de muestreo muestreo

for j=1:length(E)-2

%número de filas del archivo con los nombes (training 1 al 6 %testing 7)

RMSE=[];

RMSL=[];

NameFileA=string(strcat(E(j),'.mat'));

%recorro cada fila del vector de nombres de archivos con los datos

Electrodes=load(NameFileA);Electrodes=Electrodes.D;

%carga cada archivo .mat con los datos

for i=1:skip:length(Electrodes)-skip

%recorre cada sample durante cada skip (10) segundos de muestras

RMSE=[RMSE;rms(Electrodes(i:i+skip,:))];

%saca el RMS de cada electrodo durante los 10 seg. y crea una fila

end

AllElectrodes=[AllElectrodes;RMSE];

%cada fila tiene los valores RMS de un skip o (10) seg. de muestra

NameFileL=string(strcat(L(j),'.mat'));

%recorro cada fila del vector de nombres de archivos con los labels

Labels=load(NameFileL);Labels=Labels.C;

%carga cada archivo .mat con los labels

for i=1:skip:length(Labels)-skip

%recorre cada sample durante cada skip (10) segundos de muestras

if sum(Labels(i:i+skip,2))>=1

%si encuentra un 1 durante los 10 seg. lo etiqueta como 1

RMSL=[RMSL;1];

else

%si no encuentra un durante los 10 seg. lo etiqueta como o

RMSL=[RMSL;0];

end

end

AllLabels=[AllLabels;RMSL];

%cada fila representa el label (1 tiene ataque , 0 no tiene ataque)

% de un periodo de skip (10) segundos de muestra

end

size(AllElectrodes)% son 23 electrodos EEG

ans = 1×2

2154 23

size(AllLabels)% 1 tiene ataque epileptico, o no tiene ataque epilectico

ans = 1×2

2154 1

Adecuación de los datos para la red neuronal

steps=1;%numero de filas que deseo anticipar para aprender a predecir

inNN=[AllElectrodes(1:length(AllElectrodes)-steps,:)];

% los features son los valores rms de los 23 electrodos EEG en el tiempo t

outNN=[AllLabels(steps+1:length(AllLabels),:)];

% los labels son desplazados un tiempo t+1 para lograr la predicción

%outNN = [Epileptic, not Epileptic]% (1 0) tiene ataque

% (0 1) no tiene ataque

SalidaActual=[AllLabels(1:length(AllLabels)-steps,:)];

% los labels sin desplazamiento en el tiempo t para constratar la predicción

size(inNN)%se pierde steps (1 = 1skip = 10s) filas de los datos

ans = 1×2

2153 23

size(outNN)%se pierde steps (1 = 1skip = 10s) filas de los datos

ans = 1×2

2153 1

Llamar el toolbox de matlab

nnstart

Leer como usar el toolbox nnstart

Probar la red neuronal implementada

clear;clc;

load('inNN.mat');%guardar previamente desde el workspace

load('OutNN.mat');%guardar previamente desde el workspace

load('SalidaActual.mat');%guardar previamente desde el workspace

pred=[];

pred=NEWmyNeuralNetworkFunctionNoAnt10s1step(inNN(:,:));

%10 segundos prom y 1 steps antes no anteriores

plot((pred(:,1)));

hold on;

plot(outNN(:,1),'--g');

plot(SalidaActual(:,1),'--r');

legend('Prediction_t_-_1','Out_t_-_1','Ataque tiempo real _t');

xlabel('2153 muestras de 10 s cada una');

ylabel('1 tiene ataque epilético vs 0 no tiene ataque epilécptico');

title('Predicción de ataque epiléptico');

Calculo del error cuadratico medio

err = immse(outNN,pred)

err = 0.0038

acc=1-err

acc = 0.9962

Leer mas del proyecto Epileptic disease

Leer temas relacionados:

    ✅ Machine Learning #ML using #Matlab

    ✅ #EMG signal classification with Machine Learning #ML using #Matlab

    ✅ #EEG signal classification with Machine Learning #ML using #Matlab

    ✅ #EEG Signal #Clustering for Motor and Imaginary Motor Tasks on Hands and Feet

    ✅ Supervised Pattern Recognition Techniques for Detecting Motor Intention of Lower Limbs

    ✅ Clustering of EEG Occipital Signals using K-means