Ein Ansatz zur Bewertung von EEG-Datensätzen für die Schlafdatenanalyse

Die Bioinformatik wird heutzutage immer beliebter, da sie medizinische Probleme mit dem technischen Gebiet der Informationstechnologie verbindet, um medizinische Störungen im menschlichen Körper zu identifizieren oder zu erkennen. Dieser Bereich ist sowohl für Mediziner als auch für Softwareentwickler von großem Nutzen. Um Hirnleistungsstörungen wie Epilepsie und Parasomnien bei Patienten zu erkennen, werden EEG-Daten aus der Physionet-Datenquelle abgerufen, wo zahlreiche Datensätze für Forscher verfügbar sind. Die Analyse dieses Datensatzes erfolgt mit polyman, das als Plotting-Bibliotheken und Transformationswerkzeug für die Umwandlung des EDF-Datenformats in das ASCII-Datenformat verwendet wird. Das Tool hilft auch bei der Identifizierung der verschiedenen Parameter, die für Vorhersagen im Zusammenhang mit Hirnleistungsstörungen nützlich sind. In dieser Arbeit wurde ein verbesserter Algorithmus Support Vector Regression (SVR) entwickelt und mit Hilfe der fortschrittlichen Programmiersprache Python implementiert und mit dem klassischen Support Vector Machine (SVM) Algorithmus verglichen. Die Ergebnisse zeigen, dass SVR sowohl in Bezug auf die Komplexität als auch die Ausführungszeit besser abschneidet als SVM.