The electroencephalogram (EEG) is a cornerstone of neurophysiological research and clinical neurology. Historically, the classification of EEG as showing normal physiological or abnormal pathological activity has been performed by expert visual review. The potential value of unbiased, automated EEG classification has long been recognized, and in recent years the application of machine learning methods has received significant attention. A variety of solutions using convolutional neural networks (CNN) for EEG classification have emerged with impressive results. However, interpretation of CNN results and their connection with underlying basic electrophysiology has been unclear. This paper proposes a CNN architecture, which enables interpretation of intracranial EEG (iEEG) transients driving classification of brain activity as normal, pathological or artifactual. The goal is accomplished using CNN with long short-term memory (LSTM). We show that the method allows the visualization of iEEG graphoelements with the highest contribution to the final classification result using a classification heatmap and thus enables review of the raw iEEG data and interpret the decision of the model by electrophysiology means.

• MeSH
• Artifacts MeSH
• Datasets as Topic MeSH
• Deep Learning * MeSH
• Electroencephalography classification   instrumentation   methods   MeSH
• Humans MeSH
• ROC Curve MeSH
• Check Tag
• Humans MeSH
• Publication type
• Journal Article MeSH
• Observational Study MeSH
• Research Support, Non-U.S. Gov't MeSH
• Research Support, N.I.H., Extramural MeSH
• Validation Study MeSH

• MeSH
• Acrylates * adverse effects   MeSH
• Adult MeSH
• Electroencephalography * classification   methods   standards   statistics & numerical data   utilization   MeSH
• Occupational Health * MeSH
• Humans MeSH
• Neurologic Examination * MeSH
• Occupational Exposure * adverse effects   MeSH
• Surveys and Questionnaires * classification   standards   utilization   MeSH
• Check Tag
• Adult MeSH
• Humans MeSH
• Male MeSH
• Female MeSH

Objective: The objective of this work is to develop efficient classification systems using intelligent computing techniques for classification of normal and abnormal EEG signals. Methods: In this work, EEG recordings were carried out on volunteers (N=170). The features for classification of clinical EEG signals were extracted using wavelet transform and the feature selection was carried out using Principal Component Analysis. Intelligent techniques like Back Propagation Network (BPN), Adaptive Neuro-Fuzzy Inference System (ANFIS), Particle Swarm Optimization Neural network (PSONN) and Radial Basis function Neural network (RBFNN) were trained for diagnosing seizures. Further, the performance of the developed classifiers was compared. Results: Results demonstrate that RBFNN classifies normal and abnormal EEG signals better than the other methods. It appears that the RBFNN is able to detect Generalized Tonic-Clonic Seizure (GTCS) more efficiently than the Complex Partial Seizures (CPS). Positive predictive value was better in PSONN and ANFIS than BPN method. Conclusions: It appears that the combination of Wavelet transform method and PCA derived features along with RBFNN classifier is efficient for automated EEG signal classification.

• MeSH
• Electroencephalography * classification   instrumentation   statistics & numerical data   MeSH
• Epilepsy * diagnosis   classification   MeSH
• Humans MeSH
• Computers * statistics & numerical data   utilization   MeSH
• Computer Systems statistics & numerical data   utilization   MeSH
• Statistics as Topic MeSH
• Check Tag
• Humans MeSH

• MeSH
• Electroencephalography classification   MeSH
• Publication type
• Atlas MeSH

• Conspectus
• Patologie. Klinická medicína
• NML Fields
• neurologie

• MeSH
• Databases, Factual classification   trends   utilization   MeSH
• Electroencephalography classification   methods   MeSH
• Financing, Organized MeSH
• Software Design MeSH
• Signal Processing, Computer-Assisted instrumentation   MeSH
• Programming Languages MeSH
• Database Management Systems trends   utilization   MeSH
• User-Computer Interface MeSH

Klinická elektroencefalografie má velmi dlouhou historii a je v současné době nejrozšířenější sofistikovanou pomocnou vyšetřovací metodou v neurologii i psychiatrii. Tento výukový text je určen pro začínající i zkušenější elektroencefalografisty, ale mohou z něj čerpat také kliničtí neurologové, neuropediatři a psychiatři. V publikaci jsou zpracována vybraná zásadní témata v EEG.

• MeSH
• Electroencephalography classification   MeSH
• Brain abnormalities   MeSH
• Publication type
• Monograph MeSH

• Conspectus
• Patologie. Klinická medicína
• NML Fields
• radiologie, nukleární medicína a zobrazovací metody
• neurologie

• MeSH
• Electroencephalography classification   methods   utilization   MeSH
• Research Support as Topic MeSH
• Event-Related Potentials, P300 physiology   MeSH
• Cognition Disorders diagnosis   etiology   classification   MeSH
• Humans MeSH
• Patients classification   psychology   statistics & numerical data   MeSH
• Memory Disorders diagnosis   etiology   classification   MeSH
• Receptors, N-Methyl-D-Aspartate classification   MeSH
• Schizophrenia diagnosis   classification   physiopathology   MeSH
• Check Tag
• Humans MeSH

Vzrůstající počet nových poznatků v neuropsychiatrickém výzkumu je v jisté míře výsledkem použití nových neurofyziologických metod kvantitativní elektroencefalografie. Je to dáno faktem, že tyto techniky mají výbornou časovou rozlišovací schopnost, jsou neinvazivní a jejich použití není omezeno většími ekonomickými náklady. Článek podává přehled o experimentálních paradigmatech a elektroencefalografických analytických technikách s přihlédnutím na vhodnost jejich použití u různých psychiatrických diagnóz. Stručně jsou vysvětleny principy některých metod kvantitativní elektroencefalografie, především EEG koherencí a EEG kordance. Předběžné studie s použitím těchto technik přinášejí slibné výsledky, které mohou přispět k zefektivnění péče o psychiatrického pacienta zkvalitněním diagnostického procesu a/nebo zpřesněním predikce odpovědi na léčbu. Použití nových neurofyziologických metod v běžné klinické praxi však vyžaduje jejich testování a validizaci v rámci větších multicentrických studií.

There is increasing amount of new knowledges in neuropsychiatric research, partially as a result of application of new neurophysiological methods of quantitative electroencephalography. This is because these techniques have good temporal resolution, are relatively noninvasive and economical. Diferent experimental paradigms and electroencephalographical analytical techniques are reviewed, with their potential applications in the assessment of psychiatric disorders. The principles of some methods of quantitative electroencephalography (EEG coherences, EEG cordance) are briefly described. Preliminary studies with the application of these techniques hold the promise of improving psychiatric patient care by improving diagnostic precision and/or predicting treatment response. Large multicentric studies need to be designed to test and validate these methods so they might find use in routine clinical practise.

• MeSH
• Dementia diagnosis   MeSH
• Electroencephalography classification   methods   instrumentation   MeSH
• Research Support as Topic MeSH
• Humans MeSH
• Psychiatry MeSH
• Schizophrenia diagnosis   MeSH
• Check Tag
• Humans MeSH
• Publication type
• Review MeSH
• Comparative Study MeSH

Klimakterická medicína je hraniční obor sledující změny ženského organismu spojené s estrogenní nedostatečností a možnosti jejich prevence i léčby. Vzhledem ke stárnutí populace je to odvětví medicíny potřebné pro udržení kvality života. Kniha obsahuje stručný přehled základních otázek klimakterické medicíny – seznamuje se studiemi věnujícími se vlivu jednotlivých léčebných modalit na akutní klimakterický syndrom, urogenitální atrofii a osteoporózu jako hlavní oblasti projevu estrogenního deficitu, zabývá se otázkami rizik terapie a věnuje se i kontroverzním tématům vlivu hormonální substituční terapie na kardiovaskulární systém, s věkem spojené nemoci oka, kolorektální karcinom či degenerativní nemoci nervového systému a demence. Zvláštní kapitoly jsou věnovány jednotlivým preparátům hormonální substituční terapie, skupině STEARs, fytoestrogenům a alternativám hormonální léčby. Závěrečná kapitola předkládá styčné body současných světových i našich doporučení pro postupy v klimakterické medicíně.

• Keywords
• elektroencefalografie, neurologie, vyšetřovací metody,
• MeSH
• Electroencephalography classification   MeSH

• MeSH
• Diagnostic Techniques, Neurological MeSH
• Electroencephalography classification   MeSH
• Publication type
• Monograph MeSH

• Conspectus
• Patologie. Klinická medicína
• NML Fields
• radiologie, nukleární medicína a zobrazovací metody
• neurologie

• About
• Goldensohn, Eli S Authority