Summary
In a previous study the authors showed that rolandic spikes are characterised by typical field distributions of the spectral parameters instantaneous power and instantaneous frequency [14]. According to localisation of the focus and lateralisation of instantaneous power seven topographic spike classes were determined visually and verified with a Neural Network classifier (multi layer perceptron - MLP) [9]. Based on these results an algorithm for simultaneous detection and classification of rolandic spike activity was developed [7]. Aim of this study was to check the results of visual spike classification by means of a global optimising cluster algorithm and to test additional classifiers - Linear Discriminant Analysis (LDA) and a Cascade Correlation net (CC) - for topographic spike classification and their application in the developed spike detection algorithm. Essentially, the results of cluster analysis confirmed the visual spike classification. The number of „correct” classifications of visually selected instantaneous power distributions of rolandic spikes (7 classes) and non-spike activities (alpha- and EMC-activities) of 10 Routine EEG records was nearly the same for the three classifiers LDA, MLP and CC. Routine EEG records of three further children containing more than 900 spikes were used to compare the performance of the spike detection algorithm using LDA, MLP or CC with the results of visual spike detection by two experienced electroencephalographers. The best results were obtained with the MLP as classifier in the developed detection algorithm. The number of „false/positive” detections was significant lower than when using LDA or CC.
Zusammenfassung
Rolandische Spitzen (Spikes) sind durch charakteristische Zeitverläufe der Spektralparameter Momentanfrequenz und Momentanleistung gekennzeichnet [14]. Entsprechend der beobachteten Fokuslokalisationen und Lateralisationen in der Momentanleistungsverteilung wurden sieben topographische Spike-Klassen festgelegt, die auch mittels mehrschichtigem Perzeptron (Multi Layer Perceptron - MLP) korrekt klassifiziert werden konnten [9]. Auf der Grundlage der Klassifikationsergebnisse wurde ein Algorithmus entwickelt, der die gleichzeitige Detektion und topographische Klassifikation von rolandischen Spitzen in Routineableitungen realisiert [7]. Ziel dieser Studie war es, die visuelle Klasseneinteilung für rolandische Spitzen mittels global optimierender Clusteranalyse zu überprüfen und die Eignung weiterer Klassifikationsverfahren - Lineare Diskriminanzanalyse (LDA) und Cascade-Correlation-Netz (CC) - hinsichtlich der Verbesserung der Klassifikation- und Detektionsergebnisse zu testen. Im Ergebnis der Clusteranalyse wurde die visuelle Klasseneinteilung rolandischer Spitzen im wesentlichen bestätigt. Die Anzahl korrekter Klassifikationen visuell vorklassifizierter Momentanleistungsverteilungen rolandischer Spikes (7 Klassen) und zusätzlicher „Nicht-Spike”-Aktivitäten (Alpha- und EMG-Aktivitäten) aus 10 Routine-EEG-Registrierungen war für die drei Klassifikatoren LDA, MLP und CC annähernd gleich. Für drei weitere Routine-EEG-Registrierungen wurden die Detektionsergebnisse des entwickelten Algorithmus auf der Grundlage der drei Klassifikatoren LDA, MLP und CC mit den Detektionsergebnissen von zwei EEG-Spezialisten verglichen. Es konnte gezeigt werden, daß das MLP der geeignetere Klassifikator im Detektionsalgorithmus ist. Die Anzahl der „falsch/positiven” Detektionen mittels MLP war deutlich niedriger.
Key words:
Epilepsy - Spike detection - Topographie classification - Hubert transformation
