JHE 医疗保健工程 2040 - 2309 2040 - 2295 Hindawi 10.1155 / 2017/3035606 3035606 研究文章 癫痫梅格峰值检测使用的统计特性和遗传编程与资讯 http://orcid.org/0000 - 0002 - 0924 - 1746 Alotaiby Turky N。 1 Alrshoud 沙特R。 1 Alshebeili 萨利赫。 2 Alhumaid 马吉德H。 3 Alsabhan 瓦利德。 1 江 中威 1 KACST 利雅得 沙特阿拉伯 kacst.edu.sa 2 在无线电频率和光子学KACST-TIC e-Society (RFTONICS) 电气工程部门 沙特国王大学 利雅得 沙特阿拉伯 ksu.edu.sa 3 法赫德国王医疗城 利雅得 沙特阿拉伯 kfmc.med.sa 2017年 1 10 2017年 2017年 18 05年 2017年 06 08年 2017年 13 09年 2017年 1 10 2017年 2017年 版权©2017 Turky n . Alotaiby et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

癫痫是一种神经紊乱,影响全世界数以百万计的人。监测大脑活动和识别癫痫源始于峰值检测是癫痫治疗的重要步骤。脑磁图描记术(MEG)与高密度传感器是一个新兴的癫痫诊断工具;这使得手工分析一个具有挑战性的任务由于梅格的大量数据。本文探讨了使用八个统计特性和遗传编程(GP)再(资讯)发作峰值检测。该方法包括三个阶段:预处理、遗传programming-based特征生成和分类。建议的方法的有效性已被评估使用真实的梅格获得的数据来自28个癫痫患者。它取得了91.75%的平均灵敏度和特异性平均92.99%。

 法赫德国王医疗城 1。介绍

癫痫是大脑神经障碍的特点是反复发作。据估计影响大约1%的世界人口( 1]。每年,大约有200000新发病例的癫痫诊断在美国和全球大约240万新病例( 2]。癫痫患者能危害自己和/或其他人在癫痫发作。不同的技术已被用于监测和分析大脑活动,脑电图和功能磁共振成像等。前者被认为是癫痫诊断的主要工具。由于最近的技术进步,脑磁图描记术(MEG),一种神经影像技术,记录大脑的电流所产生的磁场使用超导量子干涉器件(鱿鱼),大脑活动已成为一个新的信息来源,是临床上用于不同的应用程序( 3, 4]诸如诊断工具在预处理和手术后的评估 5- - - - - - 7]。外科手术之前发作的本地化,从峰值检测。研究人员已经开发出不同方法发作脑电图峰值检测( 8- - - - - - 16和标准定义脑电图高峰 10]。然而,直到现在,还没有正式的定义梅格峰值( 17]。直接应用脑电图高峰标准梅格峰值可能不总是有效( 18]。Ossenblok et al。 19]发现梅格峰值更区别于背景活动和尖锐。一种解释的脑电图和梅格峰值之间的差异可能是由于这一事实梅格信号不扭曲或减毒材料的电导率,隔大脑和记录装置( 20.- - - - - - 26]。事实上,脑电图和梅格数据是互补的,不应该被认为是相互排斥的。大多数情况下,在临床实践中,发作癫痫高涨手动识别和标记的神经学家通过目视检查梅格(大约300个传感器)录音,这是一个非常繁琐,费时,和主观方法( 8, 27- - - - - - 29日]。梅格读会话可以小时由于梅格的大量数据。因此,客观、可靠和自动检测方法发作高峰强烈期望在临床实践。在这项工作中,我们开发一种新型的梅格癫痫峰值检测算法通过将数据分成重叠段八容易计算和提取统计特征:最大和最小值,意思是,标准差,中位数、四分位范围,峰度和偏态。然后,遗传编程(GP)是用于提高再歧视的表现(资讯)分类器。图 1代表一个的和梅格nonspiky段取自一个癫痫患者。

梅格发作的和nonspiky段。

梅格数据来自28个癫痫患者是用来评估该方法的性能。获得的结果表明,与以前公布的工作相比有更好的性能( 30., 31日]。

本文组织如下。后部分的介绍 1,部分 2提出了GP的概述。梅格的临床数据用来评估该方法中描述的部分 3。峰值检测方法提出了部分 4。部分 5礼物和比较我们的结果与其他梅格峰值检测算法。最后,结论部分 6。

 2。遗传规划

GP是一个著名的进化算法用于优化解决方案使用生物进化机制( 32),它已被用于数据和信号的分类( 33, 34]。医生是一个以人群为基础的算法,这意味着它从多个初始解决方案并试图产生新的和更好的解决方案。每个解决方案(即。,each individual in the population) is a mathematical formula that is represented as a tree. In the tree-based GP, the tree’s terminal nodes are the input data and the internal nodes are functions. A binary function node has two “children,” while a unary operator node has one “child.” The output node gives the output of the tree. Figure 2显示了一个示例的数学公式树结构,在D1 D5有五个不同的输入问题。

树结构公式的例子。

每棵树结构公式生成的医生评估使用适应度函数,定义问题的基础上,给出一个值表示每棵树的意义解决给定问题的公式。这个值被称为“健身价值。“problem-dependent适应度函数设计。当更高的健身价值的公式是必需的,那么它被称为一个最大化的问题。否则,它是一个最小化问题。在每一代的全科医生,这新树来自最好的树发现通过实施一些医生操作。交叉和变异是最常用的全科医生操作产生新树。执行交叉交换随机选择的分支树与其他随机选择从其他树枝,从目前的一代。这个操作生成两个新的后代。突变是由替换一个随机选择的分支树的一个新的随机生成树。

以下步骤描述医生的共同程序:

初始化:它生成一个初始种群,代表了第一代。这通常是用随机的解决方案的创建。

医生操作(交叉和变异):它作用于人口树根据概率(交叉概率和变异概率)。

评价:它计算的健身价值新的个人使用一个适应度函数。函数的主要目的是给每个人一个值,代表它有多好。然后使用这个值来确定最好的个人。

选择:它传输树下一代最好的健身价值。树木被选中当前和前几代。

终止:如果已经满足终止条件,适者树算法停止和报告(或最佳解决方案),发现。终止条件可以一定数量的后代或一定的健身价值。如果没有满足终止条件,算法创建新一代重复步骤2到5。

3所示。梅格的临床数据

拟议的方法测试高质量的梅格数据记录在国家神经研究所(NNI),国王法赫德医疗城(KFMC)在利雅得,沙特阿拉伯使用Elekta Neuromag屏蔽室,有306个传感器(磁强计102和204梯度仪)。这些传感器分类和分布在头八个大脑区域(左颞、右颞、左额叶、右额叶,顶叶,右顶叶、左枕叶和右枕)。每个地区都有26个频道,除了左枕叶和右枕叶区域,只有24通道。在我们的开发中,数据使用的204梯度仪传感器。

磁大脑活动的28个癫痫患者(患者年龄介于14至43年)在静息状态仰卧位的采样频率1000赫兹和带通的0.03到330赫兹是记录在单独的会话,每15分钟。在同步,梅格21-channel脑电图(EEG,国际10 - - - - - -20系统)、眼电图(小城镇)、心电图(ECG)也被记录下来。梅格信号然后带通滤过1 - 50 Hz视觉检查和检查一起并发21-channel EEG数据的至少一个梅格/脑电图技术员和一个神经病学顾问,遵循标准的原则建立了临床脑电图。没有超过三个交易日为每一个病人,与433年峰值。专家确定大脑区域和峰值的持续时间(起始-结束)目视检查。数据集包含两个右额叶的病人,一个病人在左额,两个患者右顶叶,三个患者左顶叶,11右颞患者,左颞患者和9,有26/24的渠道。

 4所示。峰值检测方法

提出了峰值检测方法包括三个阶段:预处理,GP-based特征生成和分类。图 3描述方法的概述。第二部分详细的每个阶段。

峰值检测方法概述。

 4.1。预处理阶段

在这个阶段,三个任务:执行数据分割、数据平滑,特征提取。梅格多通道信号划分为时代 N = One hundred. 有50%的女士连续两个时代之间的重叠。 N分析的基础上选择高峰持续时间在这项研究中使用的所有癫痫患者。图 4显示了直方图峰值的持续时间。中值滤波是应用于每一段平和的信号。从每个部分,八个统计特征提取:最大和最小值,意思是,标准差,中位数、四分位范围,峰度和偏态。

峰值的时间分布。

均值和中位数是集中趋势最常用的措施。方程( 1)是用于获得均值( μ ), X 我 是 我段的数据点和 N 段的长度。测量的统计分散部分数据点,我们使用标准差和四分位范围。方程( 2)用于计算标准偏差( σ )。四分位范围(差)的区别是中位数的下半部分数据点(Q1)和中位数的上半部分数据点(Q3)。峰度和偏态分布的形状的测量数据。峰度衡量朴实带有数据的分布,指出峰值还是平的。偏态指标数据分布的对称性的意思。方程( 3)和( 4)执行计算峰度和偏态,分别为( 35]。 (1) μ = 1 N ∑ 我 = 1 N X 我 。 (2) σ = 1 N − 1 ∑ 我 = 1 N X 我 − μ 2 。 (3) k u r t o 年代 我 年代 = 1 N − 1 σ 4 ∑ 我 = 1 N X 我 − μ 4 。 (4) 年代 k e w n e 年代 年代 = 1 N − 1 σ 3 ∑ 我 = 1 N X 我 − μ 3 。

4.2。GP-Based特性代

在这个阶段,GP算法应用于自动创建新功能(最好的数学公式)相结合的选择功能。不同的输入特性(最大值、最小值、均值、标准差、中位数、差、峰度、偏态)组合是由GP个体的形式。表 1介绍了GP的输入值,最好的结果返回。六个数学运算使用求和,减法,乘法,正弦,余弦和自然对数。医生从25个随机个体(第一代)。其业务(交叉和变异)应用于个人,根据概率。医生操作的概率变化,这取决于上一代的结果。最初的自适应交叉和变异概率是90%和10%,分别。新生成的树(公式)仅限于25水平。因此,交叉和变异是不允许打破这个极限。适者25人(父母和孩子)作为新一代选择。换句话说,25公式给最好的健身价值选择。 The GP algorithm terminates after 100 generations, and the best individual (formula) is reported.

GP参数。

参数 价值
人口规模 25
数量的代 One hundred.
最大的树级别 25
交叉初始概率 90%
突变的初始概率 10%
功能 +,-,*,罪,因为日志

适应度函数用于再评估公式(资讯) 36),这是一个监督学习模型。它使用preclassified记录对未知的记录根据提取的特征进行分类。资讯分类新记录的基础上,多数的“k”类似preclassified记录。通常,相似性度量是一个距离函数(例如,欧几里得功能)。我们使用一个小的数据集以使用资讯作为适应度函数。这些数据被分为两组。第一组的资讯片段被用来作为参考点,而第二组被用来验证公式。每个组都有一个相同数量的飙升和nonspike段。健身价值的错误率是资讯分类结果。全科医生与最小错误率公式选择最好(公式)用于下一阶段了。 GPLab toolbox has been used for the experiments in this work [ 37]。

 4.3。分类

发现最好的数学公式(错误率最低的),然而算法用于分类数据的每个通道的大脑的某个特定区域使用相同的参考点提到的两个阶段。注意,使用的相似性度量资讯的方法是基于计算功能。特别是,然而算法输入和参考点。然而算法输出的输入点前面确定的公式,这个公式时获得部分考虑的应用特性。资讯参考点的算法,另一方面,是相同的输出公式,得到当引用的公式应用于功能段。分类26/24-channel段,多数投票中26/24的决定是用来确定高峰还是nonspike段。

 5。结果与讨论

我们应用峰值检测方法28癫痫患者(中提到的数据部分 3),其中8例用于第二阶段和20在分类阶段。两个指标被用来评估性能,灵敏度和特异性的方法。灵敏度表示次数的比率(即分类器使正确的积极的决定。,检测峰值)的总数积极的决策。特异性是次数的比率(即分类器使正确的负面决定。,检测spike-free段)的总数-决策( 38]。数据处理后,8例随机选择用于GP-based特性生成阶段。数据使用的四个病人资讯参考点和其他四个未知输入的地面真值公式找到最好的医生。当时最好的公式应用于部分剩余的20-patient数据的新功能进行分类阶段。注意,在分类阶段,我们使用相同的参考点提取4名患者的数据用来找到最好的医生公式。

此后,然而,用于分类数据的26/24-channel段属于一个8使用新功能的大脑区域,在那里 k = One hundred. 最近的邻居。每个通道的分类器结果给定部分的二进制:“1”为spike-free通道峰值和“0”频道。多数投票策略是使用在26频道分类的结果部分大脑的某个特定区域的峰值或spike-free段。段贴上一个高峰段当通道的数量在该地区正在考虑峰值> 13所示。

该算法实现了平均91.75%和92.99%,敏感性和特异性分别在17个实验。图 5提出了两个公式通过GP进化的生成树。特别是,这些公式是两个17的最佳公式进行17个实验获得的。在图的正确公式 5,这是使用一个特性 X4(标准偏差),提供了最佳的性能的17个公式,作为证明表(强调) 2。

GP的树木新特性的例子。

20个实验的结果。

运行 灵敏度 特异性
1 91.62% 93.63%
2 91.62% 93.90%
3 92.18% 91.64%
4 92.74% 92.71%
5 93.30% 92.41%
6 92.74% 91.70%
7 93.30% 91.40%
8 91.62% 93.42%
9 92.18% 92.73%
10 91.62% 93.34%
11 91.06% 93.54%
12 88.83% 94.17%
13 91.06% 93.54%
14 90.50% 93.80%
15 93.85% 92.29%
16 89.94% 93.73%
17 91.62% 92.92%

哈立德et al。 30.梅格峰值检测]提出了一种方法使用一个共同的特殊模式与线性判别分析和实现的敏感性为89.745%,特异性89.154%相同的数据集。应用的方法Ossadtchi et al。 31日梅格],这是一个使用独立分量分析峰值检测算法,在这个数据集导致敏感性83.278%,特异性79.945%。提出了工作成果展示的潜力提出patient-independent作为峰值检测系统的方法。

 6。结论

在这项工作中,我们提出了一种patient-independent峰值检测方法基于统计特性和使用医生创造了最好的特性。的方法包括三个阶段:预处理、GP-based特征生成和分类。GP与资讯用于生成特性(s),更独特,减少输入维度。梅格实验结果使用真实的数据显示了方法的有效性与高敏感性和特异性检测发作高峰。拟议的峰值检测方法实现平均平均灵敏度为91.75%,特异性为92.99%,分别。这种方法是一个有价值的工具,用于epileptologists,帮助加速癫痫诊断的过程。

 的利益冲突

作者宣称没有利益冲突有关的出版。

 确认

作者要感谢支持收到国王法赫德医疗城(KFMC),沙特阿拉伯王国。

 条例 一个。 Mareels 我。 库克 M。 癫痫发作和脑电图:测量、模型检测和预测 2010年 美国佛罗里达州波卡拉顿的 CRC的新闻 世界卫生组织 简报在癫痫 2012年10月, http://www.who.int/mediacentre/factsheets/fs999/en/index.html Ritva P。 默罕默德 i S。 脑磁图描记术(MEG)和其他神经生理学研究 临床神经病学手册 2013年 111年 461年 465年 23622195 10.1016 / b978 - 0 - 444 - 52891 - 9.00050 - 6 2 - s2.0 - 84876783677 Braeutigam 年代。 脑磁图描记术:基本面和放射学已有和新兴的临床应用 ISRN放射学 2013年 2013年 18 529463年 24967282 10.5402 / 2013/529463 De Tiege X。 Carrette E。 Legros B。 Vonck K。 Op de Beeck M。 布吉尼翁 M。 按摩器 N。 大卫 P。 范栖息 D。 穆尔 一个。 Lapere 年代。 Deblaere K。 高盛 年代。 恩 P。 范·博尔加特 P。 临床附加值那些将要动手术的磁源成像评价难治性局灶性癫痫 《神经学、神经外科、精神病学 2012年 83年 4 417年 423年 22262910 10.1136 / jnnp - 2011 - 301166 2 - s2.0 - 84857995986 Kharkar 年代。 伟达公关 R。 癫痫的脑磁图描记术在那些将要动手术的评估 癫痫和行为 2015年 46 19 26 25555504 10.1016 / j.yebeh.2014.11.029 2 - s2.0 - 84937869500 Wennberg R。 Cheyne D。 前颞峰值的梅格源成像的可靠性:分析颅内的高峰集中的特征 临床神经生理学 2014年 125年 5 903年 918年 24210513 10.1016 / j.clinph.2013.08.032 2 - s2.0 - 84897502727 威尔逊 美国B。 爱默生 R。 峰值检测:回顾和比较的算法 临床神经生理学 2002年 113年 12 1873年 1881年 12464324 10.1016 / s1388 - 2457 (02) 00297 - 3 2 - s2.0 - 0036900971 霁 Z。 日本雪松 T。 转到 年代。 王 X。 Ikeda 一个。 Nagamine T。 Shibasaki H。 中村 M。 自动峰值检测系统基于消除误报使用大面积头皮脑电图的上下文 IEEE生物医学工程 2011年 58 2478年 2488年 21622069 10.1109 / tbme.2011.2157917 2 - s2.0 - 80052073334 Gotman J。 Gloor P。 自动识别和量化的发作癫痫活动在人类头皮脑电图 脑电图与临床神经生理学 1976年 41 513年 529年 61855年 10.1016 / 0013 - 4694 (76)90063 - 8 2 - s2.0 - 0017091353 Exarchos t P。 Tzallas a . T。 Fotiadis d . I。 Konitsiotis 年代。 Giannopoulos 年代。 脑电图瞬态事件检测使用关联规则和分类 IEEE在生物医学信息技术 2006年 10 451年 457年 16871711 10.1109 / titb.2006.872067 2 - s2.0 - 33746905061 Adjouadi M。 Cabrerizo M。 Ayala M。 桑切斯 D。 Yaylali 我。 Jayakar P。 Barreto 一个。 一个新的数学方法基于正交运营商在致癫痫的发作峰值检测的数据 生物医学科学仪器 2004年 40 175年 180年 15133954 Indiradevi k P。 伊莱亚斯 E。 Sathidevi p S。 书中 n S。 Radhakrishnan k。 一个多级小波方法自动检测癫痫的脑电图峰值 计算机在生物学和医学 2008年 38 805年 816年 18550047 10.1016 / j.compbiomed.2008.04.010 2 - s2.0 - 45549091471 Tzallas a . T。 Karvelis p S。 Katsis c, D。 Fotiadis d . I。 Giannopoulos 年代。 Konitsiotis 年代。 瞬态事件分类的一种方法,在脑电图记录:应用癫痫诊断 医学信息的方法 2006年 45 610年 621年 17149502 居尔 我。 Ubeyli e . D。 自适应神经模糊推理系统使用小波系数进行EEG信号的分类 神经科学杂志》上的方法 2005年 148年 113年 121年 16054702 10.1016 / j.jneumeth.2005.04.013 2 - s2.0 - 26944458497 刘 Y。 林 C。 蔡 J。 太阳 Y。 基于模型的峰值检测癫痫EEG数据 传感器 2013年 13 12536年 12547年 24048343 10.3390 / s130912536 2 - s2.0 - 84894620965 诺瓦克 R。 Santiuste M。 Russi 一个。 向梅格飙升的定义:参数描述电极同时记录峰值的梅格和深度 癫痫发作 2009年 18 9 652年 655年 19656691 10.1016 / j.seizure.2009.07.002 2 - s2.0 - 73349127521 Kakisaka Y。 王 z。 Enatsu R。 Dubarry 答:S。 莫舍 j . C。 Alexopoulos 答:V。 伯吉斯 r . C。 脑电图的脑磁图描记术相关的职位(正枕锋利的瞬变的睡眠) 临床神经生理学杂志:美国脑电图仪的学会的官方出版物 2013年 30. 3 235年 23733086 10.1097 / wnp.0b013e31827681a3 2 - s2.0 - 84879865958 Ossenblok P。 de Munck j . C。 结肠 一个。 Drolsbach W。 恩 P。 脑磁图描记术更成功的筛查和本地化额叶癫痫脑电图 Epilepsia 2007年 48 11 2139年 2149年 17662061 10.1111 / j.1528-1167.2007.01223.x 2 - s2.0 - 36048960085 一位 U。 Vorwerk J。 Kupper P。 陆军 M。 面食 H。 Galka 一个。 哈米德 l Wellmer J。 Kellinghaus C。 Rampp 年代。 种 c . H。 结合脑电图和梅格的重建癫痫活动使用校准现实的容积导体模型 《公共科学图书馆•综合》 2014年 9 第三条e93154 24671208 10.1371 / journal.pone.0093154 2 - s2.0 - 84899892951 Vorwerk J。 赵 j . H。 Rampp 年代。 哈默尔 H。 Knosche t·R。 种 c . H。 头容积导体建模的指导脑电图和梅格 科学杂志 2014年 One hundred. 590年 607年 24971512 10.1016 / j.neuroimage.2014.06.040 2 - s2.0 - 84904402979 Schoffelen 人类。 总值 J。 源连通性分析梅格和脑电图 人类大脑图谱 2009年 30. 6 1857年 1865年 10.1002 / hbm.20745 2 - s2.0 - 66449122748 佐藤 年代。 Balish M。 Muratore R。 脑磁图描记术原理 临床神经生理学杂志 1991年 8 144年 156年 2050815 10.1097 / 00004691-199104000-00003 Ko d . Y。 Kufta C。 Scaffidi D。 佐藤 年代。 源定位由脑磁图描记术和颞叶癫痫的脑电图:与electrocorticography:技术案例报告 神经外科 1998年 42 414年 421年 9482198 10.1097 / 00006123-199802000-00142 2 - s2.0 - 0031885566 科恩 D。 Cuffin b . N。 示范magnetoencephalogram有用的差异和脑电图 脑电图与临床神经生理学 1983年 56 38 51 6190632 10.1016 / 0013 - 4694 (83)90005 - 6 2 - s2.0 - 0020522807 Iwasaki M。 Pestana E。 伯吉斯 r . C。 Luders h . O。 Shamoto H。 Nakasato N。 检测癫痫样的人类翻译活动:蒙蔽比较脑电图和脑磁图描记术 Epilepsia 2005年 46 59 68年 15660769 10.1111 / j.0013-9580.2005.21104.x 2 - s2.0 - 13144258719 哈尔福德 J·J。 电脑在头皮脑电图癫痫样的瞬态检测:阻碍进步和计算机心电图的例子解释 临床神经生理学 2009年 120年 11 1909年 1915年 19836303 10.1016 / j.clinph.2009.08.007 2 - s2.0 - 70350724387 设置 N。 Oztura 我。 Kuntalp M。 Baklan B。 Guzeliş C。 自动检测脑电图的癫痫样的事件基于人工神经网络的三阶段过程 IEEE生物医学工程 2005年 52 1 30. 40 15651562 10.1109 / tbme.2004.839630 2 - s2.0 - 11244317025 Gevins 答:S。 雷蒙德 一个。 方法分析脑电和磁信号,卷1 1987年 阿姆斯特丹 爱思唯尔的科学有限公司 哈立德 m . I。 Alotaiby T。 Aldosari 美国一个。 Alshebeili 美国一个。 Al-Hameed m . H。 Almohammed f·S。 Alotaibi t·S。 癫痫梅格峰值检测使用公共空间模式和线性判别分析 IEEE访问 2016年 4 4629年 4634年 10.1109 / access.2016.2602354 2 - s2.0 - 84991628643 Ossadtchi 一个。 Baillet 年代。 莫舍 j . C。 Thyerlei D。 Sutherling W。 莱希 r·M。 自动发作峰值检测和源定位脑磁图描记术使用的依赖组件分析和时空聚类 临床神经生理学 2004年 115年 3 508年 522年 15036046 10.1016 / j.clinph.2003.10.036 2 - s2.0 - 1242292276 Koza J。 遗传规划:在计算机的编程通过自然选择 1992年 美国剑桥,马 麻省理工学院出版社 Espejo p·G。 文图拉 年代。 Herrera F。 一项调查显示遗传编程的应用分类 IEEE系统,人,控制论,一部分C(应用程序和评论) 2010年 40 2 121年 144年 10.1109 / TSMCC.2009.2033566 2 - s2.0 - 77249174228 Aslam m·W。 朱 Z。 南帝 答:K。 自动调制分类使用组合遗传编程和资讯 IEEE无线通信 2012年 11 8 2742年 2750年 10.1109 / TWC.2012.060412.110460 2 - s2.0 - 84865418619 NIST / SEMATECH 电子帐册的统计方法 2016年3月, http://www.itl.nist.gov/div898/handbook/ 封面 T。 哈特 P。 最近邻模式分类 IEEE信息理论 1967年 13 1 21 27 10.1109 / TIT.1967.1053964 2 - s2.0 - 84926662675 http://gplab.sourceforge.net/ 哈立德 m . I。 Aldosari 美国一个。 Alshebeili 美国一个。 Alotaiby T。 Al-Hameed m . H。 联合应用开发 l 梅格数据分类对健康和癫痫科目使用线性判别分析 2015年IEEE信号处理和信息技术国际研讨会(ISSPIT) 2015年12月 阿布扎比,阿拉伯联合酋长国 360年 363年 10.1109 / ISSPIT.2015.7394360 2 - s2.0 - 84963799822