在脑电图异常检测的信号:一个案例研究在相似的措施

文摘

动机。异常脑电图EEG信号的检测是一个长期存在的问题分析。这一问题的基本前提是考虑两个非平稳的脑电图记录之间的相似性。一个完善的计划是基于序列匹配,通常包括三个步骤:特征提取、相似性度量、决策。当前方法主要关注脑电图特征提取和决策,其中一些涉及/量化的相似性度量方法。一般来说,设计一个合适的相似性度量,这是/数据兼容考虑的问题,也是一个重要的问题在设计的检测系统。但是不可能直接应用这些现有指标异常脑电图检测没有任何考虑领域特异性。方法。这项工作的主要目的是调查不同的相似性度量的影响异常脑电图检测。一些指标可能可用的脑电图分析已经被仔细审查了来自其他领域的相关工作。所谓的EEG信号的提取功率谱作为特征,和一个零假设测试是用来做最后的决定。两个指标被用来评估检测性能。一个是反映测量的水平相似性两EEG信号相比,另一个是量化的检测精度。结果。分别两个数据集上进行了实验。结果显示不同相似性度量的积极影响异常脑电图检测。过放荡生活的距离(HD)和Bhattacharyya距离(BD)指标显示优秀的表演:0.9167为我们的数据集的精度和精度0.9667 Bern-Barcelona脑电图数据集。HD和BD指标都是建基于Bhattacharyya系数,暗示的优先级Bhattacharyya系数在处理高度嘈杂的脑电图信号。在未来的工作中,我们将利用一个综合指标,它结合了HD和BD EEG信号的相似性度量。

1。介绍

近年来,我们见证了重大改进使用脑电图(EEG)测量数据采集的范围广泛的临床应用。它也导致了数据挖掘的发展方法,数据中发现潜在的模式,针对动态脑电图特征行为。代表性的例子包括癫痫发作的早期检测1- - - - - -3),睡眠过程监控(4- - - - - -7),和许多其他神经系统无序化相关的健康评估和手术问题[8- - - - - -10]。

时间序列是一个重要的脑电图数据的类。它的挖掘任务之一是检测潜在的异常事件(s) /模式(s)在长期的脑电图监测过程中的早期阶段,是高度要求的变化检测(11- - - - - -13),癫痫发作预测(14,15)等。因此,“异常脑电图检测在以下部分中定义。

异常脑电图检测的基本前提是考虑两个非平稳的脑电图记录之间的相似性。一个完善的计划是基于序列匹配。图1说明了该方案的计算过程。不断监测脑电图信号首先分为不重叠的(或重叠)段;然后,检查下正在进行的部分是与那些通常在正常状态。值得注意的是,这些正常脑电图段可以与之前收集收集阶段或直接从过去在信号本身。由此产生的比较结果,即。,the similarity scores, allow for a change detection by testing a null hypothesis,对在参数假设的分布。高斯分布是最典型的假设,以及其他一些量词,如直接阈值,也可以适用于实现这个目的。总而言之,三种技术的成功是至关重要的异常检测,描述如下:(我)特征提取。从原始的脑电图数据中提取解释参数,以减少数据冗余(2)相似性度量。采用特定的指标来衡量/量化两个数据记录之间的相似性,即。、个人脑电图段(3)决策。做出决定通过测试基于结果的零假设相似性分数

沿着这条线的研究,很多人一直在努力提高特征提取的(16- - - - - -18),其中一些还涉及到决策(4,19,20.]。尽管如此,我们也应该意识到这是一个重要方面来设计一个合适的相似性度量,考虑兼容的数据,当设计这样一个异常检测系统(21]。在这里,我们可以注意到尽管相似性度量一直是一个重要的设计问题的统计和数据挖掘22- - - - - -24),脑电图信号处理所使用的指标仍然需要澄清由于域特异性。然而,我们所知,与脑电图信号处理相关的一些现有的研究考虑这个问题在异常脑电图检测系统的设计。

这项工作的主要目的是调查不同的相似性度量的影响异常脑电图检测基于顺序匹配方案,利用相似性度量,加上零假设测试。因此,我们收集各种最流行和最先进的指标从其他领域可能会用于我们的问题和修改/扩展他们在必要时将与异常脑电图检测。影响不同指标的异常检测结果评估基于两个数据集。实验结果揭示了调查指标的不同影响。尤其是HD和BD证明比其他竞争对手包括PCCD优于表演,SKLD, KD, BD,通常使用。因此,这项研究提供了初步依据脑电图信号处理。

本文的其余部分组织如下。部分2制定考虑的问题。部分3介绍了几种典型指标,可能用于EEG信号分析。部分4描述了测试数据和实验实现。部分5显示了一些讨论结果。部分6最后总结本文并展示了未来的工作。

2。问题公式化

在本节中,我们首先假设收集脑电图记录已经由工作特性(特征提取将在下面的部分中给出4.2.1)。然后我们检查异常脑电图检测的方法在以下(25]。

异常检测是关心承认新的输入,在某种程度上区别于那些通常在正常状态(26]。在此基础上,对于一个给定的脑电图记录查询 ,这是一种常见的做法,和一组比较正常的模板 ,在哪里是一个脑电图记录模板和是总数。这个模板的大小是一个敏感性之间的权衡脑电图状态变化和噪声鲁棒性。如果模板的尺寸比较大,这将是更健壮的噪音但不太敏感的变化,因为变化经常发生瞬间,反之亦然。在这篇文章中,模板的大小被设置为20秒经验根据我们的临床经验。(反)相似性可以量化为最大相似性查询记录和模板使用的相似性度量 。我们表示这是 ,在哪里和特征提取来自哪里和 。的检查是一个异常事件如果得到的相似性得分超过一个预定义的阈值 ,也就是说, ;否则,检查正常。这里,值得提到的是,检测可以实现一个可扩展和灵活的检测结果使用一个不同的值 。然而,由于本文的重点是调查的相似性度量,我们不做额外的讨论这个问题。感兴趣的读者可以参考(27,28更多的讨论这个问题。

相似性度量报告是至关重要的一个准确和可靠的检测结果,及其建设通常依赖于一个特定的距离度量。更大价值的距离表示较小程度的相似性。更重要的是,对于这两个给定的脑电图记录和 ,采用距离度量需要满足几个基本属性:(我)Nonnegativity,也就是说, (2)身份,也就是说, 当且仅当(3)对称,也就是说, (iv)三角不等式,也就是说, ,在哪里第三个脑电图记录,不是相当于两个吗和

在这里,我们可以注意到,距离度量相似性量化不需要满足所有的这些属性尤其是三角不等式,根据该等类型的距离称为)距离(29日]。

基于上述定义,相似性度量也可以确认1的价值相比,如果两个脑电图记录是相同的和0如果不一致。在下面,我们把一些典型指标和潜力来解决我们的问题,仔细回顾相关的文献。特别是,在识别,被认为是以下两个问题:(我)指标应满足的三个属性可伸缩性,灵敏度,报道根据(30.](2)在各种指标,我们只关注那些只有两个序列之间的相似度的计算长度相等

3所示。共同的标准

本节介绍了各种指标与其他领域可能会用于我们的问题和修改/扩展他们在必要时将考虑异常脑电图检测问题。

让我们假设我们有两个序列,和 ,在哪里和的观测值吗和在时间 ,分别。各种各样的典型指标,潜在的可供脑电图分析,介绍了测量之间的相似性和 。

3.1。欧氏距离(ED)

勃起功能障碍是最常见的指标,指的是真正的两个点之间的距离空间(31日]。之间的艾德和可以通过计算

考虑到部分中描述的相似性度量的特点2,我们使用的倒数代表相似

3.2。皮尔森相关系数(PCCD)的距离

PCCD,皮尔森提出的,是一个统计量用于反映两个系列之间的线性相关程度,与−1和1之间的值。更大价值的度量意味着更强的相关性相比,两个系列的(32]。之间的PCCD和可以通过计算

所以,然后计算PCCD定义的相似

3.3。对称Kullback-Leibler分歧(SKLD)

SKLD可以用来衡量两个概率分布之间的差异,广泛应用于信息检索和数据科学(33,34]。之间的SKLD和可以通过计算 但它不是一个距离度量,因为它的不对称。为了解决这个问题,对称Kullback-Leibler分歧在各种统计距离度量[很受欢迎35),并计算了

然后,可以得到相似

3.4。过放荡生活距离(高清)

高清首次提出了车辆疾驰在[36]。用于概率和统计来衡量两个概率分布之间的相似度的,它属于f-divergence [36]。之间的高清和可以通过计算

因此,基于高清可以计算相似度

3.5。柯尔莫哥洛夫距离(KD)

介绍了KD的柯尔莫哥洛夫(37]。这个统计距离起着重要的作用在概率论和假设检验38),它被广泛用于测量两个概率分布之间的差异(39]。因此,KD之间和可以通过计算

因此,相似性的基础上可以计算为

3.6。Bhattacharyya距离(BD)

提出的统计,BD Bhattacharyya (40),也被称为距离车辆疾驰,措施两个离散或连续概率分布的相似性。Bhattacharyya系数密切相关,衡量两个统计样本之间的重叠或人群23]。Bhattacharyya系数可用于确定类的可分性分类用于测量被认为是相对较近的两个样品。之间的双相障碍和被定义为 在哪里 是Bhattacharyya系数。

在上面的方案的距离度量,其中一些不满足的相似条件 ,总结如表1。为了应对这个问题,需要规范化的相似之处的,和正常化将给出部分4.2。

4所示。材料和方法

本节介绍了测试数据和实现我们的实验。

4.1。测试数据

本节中的测试数据来自两个数据集:(我)第一个数据集建立基于我们的系统设置。中描述了数据收集的过程2。依照国际10 - 20电极电极放置位置的方法来收集脑电图信号。原始的多通道脑电图信号获得使用数据收集器。这里使用的数据收集的采样率是512赫兹。英吉利海峡C4被选为我们的测试。三个神经专家被邀请来检查原始数据真实和标签的根据他们的领域经验,即。是正常的,哪个部分,这部分是不正常的。这里,必须指出,EEG信号的正常状态是一个稳定的状态,和脑电图的异常状态包括一个不稳定的状态信号,可能是由于癫痫或其他不正常的体育活动。数据分为几个样品使用10000点不重叠的窗口。测试样本数据的例子在图所示3(一个)。(2)第二个数据集是来自公众Bern-Barcelona EEG数据集。他们随机选择3750双从池中同时记录信号的信号测量焦和nonfocal脑电图频道,分别把录音分成20秒的时间窗口。原始数据记录采样率为1024 Hz。然后,这些EEG信号downsampled 512 Hz进一步分析之前,这样每一块脑电图数据包含10240个样本的长度(41]。数据在这个数据集的例子在图所示3 (b)。

此外,对于每一个数据集,我们首先选择30块大多数表正常数据段形成一套模板,这里的稳定和正常判断根据领域专家,和残差作为测试数据。此外,测试数据进一步同样分为两组:一个用于优化阈值和一个用于最后的测试。两组包含30块的数据段,其中15块是正常的数据段,另一块是不正常的。交叉验证的检测性能是评价这两个组。我们重复评价20倍的整个过程,这样可以获得最终结果和分析。

4.2。实验实现

一致的机制异常脑电图检测本文介绍之前,我们执行三个步骤,即。、特征提取、相似性度量、决策、执行我们的实验。让我们先表示块模板数据 ,并表示每个块测试数据 。主要实验中使用的方法是将在以下介绍。

4.2.1。准备特征提取

我们提取所谓功率谱(21从原始的脑电图数据的特性。让我们假设一块EEG信号的观测值的点被表示为 , 。观察脑电图信号在离散情况下,变换的离散时域和频域两种(42]。我们可以回顾离散傅里叶变换(DFT)计算,这是制定 在哪里的输出变换吗表示频率指数。

回想一下,脑电图的主要频率成分 - - - - - -波(4赫兹), - - - - - -波(4 - 8 Hz), - - - - - -波(8 - 14 Hz), - - - - - -波(14-30赫兹) - - - - - -波(30 Hz) (43]。如果神经错乱,这些频率变化的振幅。因此,他们被称为特征频率;也就是说,different disorders have different characteristic frequencies. Actually, many successful attempts have been reported using these frequencies to diagnose the neurological disorders [44,45]。我们因此使用的部分波段 赫兹覆盖这些频率脑电图检查经验。

经过一次能带经过过滤(由此产生的脑电图数据被表示为过滤)后,功率谱可以使用韦尔奇方法估计,一个典型的功率谱估计方法, 在哪里 和是窗口函数。由此产生的功率谱允许定量脑电图数据的检验。一个例子是显示在图4。它可以发现异常脑电图信号的无序化振幅变化和与高比率的噪声污染。因此,很难判断是否通过时域分析异常脑电图信号。相比之下,之间的区别正常与异常脑电图信号的频域更加清晰,从而使定量检验,即。相似性度量,脑电图数据检查。

基于上述计算功率谱的测试数据相比和模板可以表示成相应的功率谱吗和 ,分别。

4.2.2。相似性度量

之间的相似性和 ,这是通过部分中描述的指标计算吗3。相似之处的一个正常的状态被认为是最小值在所有模板,即 。

此外,为了满足部分中描述的要求2,应该归一化通过

我们仍在使用在下列表示简单的相似。

4.2.3。决策

为了检查是否是正常的,一个阈值应该是预定义的。随后决定是由测试以下假设:

如果测试数据之间的相似性大于阈值 ,数据作为一个正常的检查数据;否则,它被认为是不正常的。之前我们首先进行评估确认的最优值与脑电图测试数据,然后使用它来检测所有其他测试EEG信号的实验。以下部分所示的结果得到的最优值 。

5。结果与讨论

5.1。我的实验我:调查数据集

节中描述4.1重复20次,评估获得最终结果。在下面,详细结果的评估。

图5提供了所有的检测结果指标使用数据库的数据调查。在每个subfigure的离开,我们显示每个训练数据的相似性计算包括正常培训数据和异常数据。相似之处聚集,然后按升序排列(正常的测试数据)或降序(测试数据异常)。因此,两条曲线对应的正常测试数据和异常测试数据可以获得,他们相交于一点O。点的横坐标O(AOPO)可以提供一个正常和异常测试数据的综合评价。小AOPO意味着更大的区别正常的录音和记录异常,表明指标更好的相似之处;否则,两个类之间的相似之处的记录不是很低,这意味着相似性指标还不够好。从这些结果,可以清楚地看到,HD和BD实现最好的结果和KD和SKLD实现不那么好的结果,而ED和PCCD最差的结果。

其他的指标精度还用于量化检测性能,定义为是哪一个 在哪里TP是真阳性表明数据检查的数量正确吗FN是假阴性说明数据检查的数量不正确。图中每个subfigure的权利5显示所有指标的结果精度。节中描述的假设检验4.2.3用于分类组1的测试数据使用所有调查指标与不同阈值λ值。因此,越高精度,指标越好。可以看出,对于每一个指标,λ的增加,精度先增加,然后降低。的值λ对应于最高的精度用于计算吗精度组2的数据集。给出了两个例子6和7中,我们将展示所有调查的相似性得分指标(使用最佳λ),一个正常的测试记录和异常测试记录。它可以发现PCCD和KD异常测试数据输出错误的结果,而其他人则输出正确的结果。可以看出,高清达到最好的性能优于其他指标。

我们总结调查的结果指标结合在两AOPO和他们的结果精度在表2。可以看出,(1)HD和BD是最好的指标AOPO和(2)高清的效果最好精度。

上述实验过程实施20倍。为了分析实验结果,我们AOPO和的平均值计算精度价值观从所有实验基于全球平均测量和显示表中的结果3。它是注意到高清实现最佳性能的指标AOPO而言,即。3.65;而言,精度,高清优于他人。基于这些结果,可以列为调查指标高清> BD > KD > SKLD > = PCCD。

5.2。实验二:调查Bern-Barcelona数据集

一个重复的结果评价Bern-Barcelona数据集也显示。图8给所有调查指标的检测结果使用公共Bern-Barcelona脑电图的训练数据的数据库。在每个subfigure的离开,我们给每个测试数据的计算相似之处。和相似之处同样是按升序排列的(正常的测试数据)或降序(测试数据异常)。因此,AOPOs在这个实验中可以得到。从这些结果,可以清楚地看到,高清,KD, BD达到最好的效果,埃德和PCCD取得不那么好的结果,而SKLD最糟糕的结果。图中每个subfigure的权利8显示所有指标的结果精度。很明显,对于每一个指标,λ的增加,精度先增加,然后降低。的值λ对应于最高的精度这是标记为λ₀也用于计算精度组的2。两个例子给出了数据9和10中,我们将展示所有调查的相似性得分指标(使用他们λ₀),一个正常的测试记录和异常测试记录。它可以发现所有指标正常测试数据输出正确的结果。但对于测试数据异常,只有ED和高清输出正确的结果。而言,精度、BD、HD高清也比其他人更好。

调查的结果指标也总结表4。它可以清楚地看到,在这个实验中,高清,KD,和BD AOPO方面取得了最好的结果;而言,精度BD效果最好。

上述实验过程也是实现20倍。AOPO和的平均值精度值从所有实验如表所示5。因此,对于Bern-Barcelona脑电图数据库,BD达到最佳性能的指标AOPO而言,即。1.55;而言,精度,BD优于他人。基于这些结果,可以列为调查指标BD >高清> KD > PCCD >教育> SKLD。

5.3。实验三:调查特征提取的影响

为了研究特征提取对检测性能的影响,5代表功能,包括的意思是,均方根(RMS),经验模态分解(EMD),离散小波变换(DWT)和工件子空间重建(ASR)用于EEG信号分析,研究了在这一节中。业务提供了表6。相似度测量的过程和决策在部分4.2也实现了对测试数据进行分类。AOPO和准确性的结果我们的数据库表所示7和8,分别。Bern-Barcelona脑电图数据库的结果如表所示9和10,分别。

从表中所示的结果7,我们可以看到,我们的数据库,AOPO而言,高清的指标和BD比别人表现得更好当使用不同的功能。表8显示了结果的准确性。我们看到高清的指标和BD执行比其他使用DFT时,意思是,RMS, ASR;相比之下,PCCD还显示了令人兴奋的结果当使用EMD和DWT的特点。表9和10Bern-Barcelona脑电图显示检测结果数据库。它可以清楚地看到,高清的指标和BD执行比其他替代AOPO和准确性。

总结所有这些结果,它也可以指出,艾德,作为最常用的指标,表现最糟糕的AOPO和准确性的测试数据集。PCCD SKLD, KD不那么好的结果。在所有调查指标,指标的HD和BD更适合EEG信号分析。

5.4。结果总结和讨论

结合测试结果从两个数据集,很明显,HD和BD实现更好的性能比其他指标。回想一下,BD和高清都得到的某些转换Bhattacharyya系数 ,也就是说,

在这方面,HD和双相障碍被认为是一个大约相当于测量两个统计样本。它们之间的差异是对噪声敏感,作为讨论(49]。然而,很难确定哪些人更适合分析非常嘈杂的脑电图信号。作为一个潜在的解决方案的优势,他们可以结合一个基于利用机器学习优化方法,如输入选择和输入权重(50- - - - - -52),形成一个综合指标来测量脑电图记录。这也包括我们的未来工作的方向。

6。结论

异常脑电图EEG信号的检测是一个长期存在的问题分析。这一问题的基本前提是考虑两个非平稳的脑电图记录之间的相似度的,一个完善的计划是基于序列匹配。通常情况下,这个计划包括三个步骤:特征提取、相似性度量、决策。当前方法主要关注脑电图特征提取和决策,其中一些涉及/量化的相似性度量方法。一般来说,设计一个合适的相似性度量,这是/数据兼容考虑的问题,也是一个重要的问题在设计的检测系统。但是不可能直接应用这些现有指标异常脑电图检测没有任何考虑领域特异性。这项工作的主要目的是调查不同的相似性度量的影响异常脑电图检测。一些指标可能是可用的脑电图分析已经被仔细审查了来自其他领域的相关工作,包括欧几里得距离(ED)、车辆疾驰距离(HD), Bhattacharyya距离(BD),柯尔莫哥洛夫距离(KD)、皮尔森相关系数(PCCD),距离和对称Kullback-Leibler散度(SKLD)。两个数据集上进行了实验研究。基于部分中所示的结果5下面是发现:(1)实验结果证明不同的相似性度量的积极影响异常脑电图检测。特别是,常用的ED没有与其他指标相比取得满意结果。一个主要原因是,这个指标没有考虑可能不同重量的每个元素在两个比较脑电图样本。(2)在所有调查指标、HD和BD指标,构建基于Bhattacharyya系数,展示优秀的表演。他们取得了优秀的表演两个检查数据集:一个AOPO值的3.5和0.9167的精度数据集和一个AOPO值的1.5和0.9667的准确性Bern-Barcelona脑电图数据集。这些结果反映的优先级Bhattacharyya系数在处理高度嘈杂的脑电图信号。这项研究提供了初步依据分析EEG数据。

为了利用的Bhattacharyya系数,我们将利用一个综合指标结合HD和BD EEG信号的相似性测量的未来的工作。

缩写

AOPO:	点的横坐标O
双相障碍:	Bhattacharyya距离
DFT:	离散傅里叶变换
艾德:	欧氏距离
脑电图:	脑电图
高清:	过放荡生活的距离
KD:	柯尔莫哥洛夫的距离
PCCD:	皮尔逊相关系数的距离
SKLD:	对称Kullback-Leibler散度符号
d:	通过计算的距离度量
:	两个给定的概率函数
:	的th系列点
:	的th系列点
:	的功率谱
:	的功率谱
:	脑电图记录这不是相当于两个和
:	之间的相似性和
:	之间的相似性和模板组
:	的给定的脑电图记录点
:	的过滤后的脑电图数据
:	的th脑电图记录的测试数据集
:	的的频谱
:	的脑电图记录模板的设置
:	阈值用于假设检验。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究在山东省自然科学基金的支持下,中国(ZR2019MEE063)和山东大学的基础研究基金(2018 jc010)。

引用

1. d . Gajic z Djurovic, j . Gligorijevic美国迪詹纳罗和Savic-Gajic,“脑电图痫性活动信号检测基于时频和非线性分析,“计算神经科学前沿p。38卷。9日,2015年。视图:出版商的网站|谷歌学术搜索
2. d . Sikdar r·罗伊和m . Mahadevappa“癫痫和癫痫性格化的多重分形分析EEG部分波段,”生物医学信号处理和控制41卷,第270 - 264页,2018年。视图:出版商的网站|谷歌学术搜索
3. a . t . Tzallas m . g . Tsipouras, d . i Fotiadis”自动癫痫检测基于时频分析和人工神经网络,”计算智能和神经科学文章ID 80510卷,2007年,13页,2007。视图:出版商的网站|谷歌学术搜索
4. A·r·哈桑和A . Subasi”的决策支持系统从单通道脑电图信号自动识别的睡眠阶段,“以知识为基础的系统卷,128年,第124 - 115页,2017年。视图:出版商的网站|谷歌学术搜索
5. a .传感器适用美国帽子,s .米雷克·l·Vercueil和肯尼迪。Payen”卷积神经网络从原始单通道脑电图睡眠阶段进球,”生物医学信号处理和控制,42卷,第114 - 107页,2018年。视图:出版商的网站|谷歌学术搜索
6. r .野生动物,r . Arya s l·费尔南德斯e . Sravya诉Jain,”的模糊神经网络方法自动k-complex检测睡眠EEG信号,”模式识别的字母卷,115年,第83 - 74页,2018年。视图:出版商的网站|谷歌学术搜索
7. s . Devuyst t Dutoit、p . Stenuit和m . Kerkhofs”自动k-complexes检测睡眠脑电图记录使用阈值可能性,”2010年度国际会议的程序IEEE工程在医学和生物学IEEE,页4658 - 4661年,布宜诺斯艾利斯,阿根廷,2010年8月。视图:出版商的网站|谷歌学术搜索
8. b·r·奥尼尔m . h .处理程序,美国通,和k·e·查普曼,“癫痫的发病率在连续脑电图监测儿童创伤性脑损伤后,“神经外科杂志:儿科,16卷,不。2、167 - 176年,2015页。视图:出版商的网站|谷歌学术搜索
9. e .阿莫林j . c .李敦白j。j郑et al .,“连续脑电图监测提高缺血脑损伤,多模式预测结果”复苏卷,109年,第126 - 121页,2016年。视图:出版商的网站|谷歌学术搜索
10. m·巴赫曼、j .小姑娘和h . Hinrikus“单通道脑电图分析检测抑郁症的,”生物医学信号处理和控制31卷,第397 - 391页,2017年。视图:出版商的网站|谷歌学术搜索
11. b . Boashash g . Azemi, n .阿里汗”的原则对变化检测在非平稳信号时频特征提取:应用新生儿脑电图异常检测,”模式识别,48卷,不。3、616 - 627年,2015页。视图:出版商的网站|谷歌学术搜索
12. b . Boashash和美国Ouelha自动信号异常检测使用时频特性和机器学习:新生儿脑电图癫痫案例研究中,“以知识为基础的系统卷。106年,38-50,2016页。视图:出版商的网站|谷歌学术搜索
13. 严高z, g . Lu, p . et al .,“自动变化检测脑电图信号的实时监控,“前沿生理学,9卷,p。325年,2018年。视图:出版商的网站|谷歌学术搜索
14. m·l·范Quyen j . Martinerie m . Baulac和f . Varela”实时预测癫痫发作的相似性脑电图记录进行非线性分析,“Neuroreport,10卷,不。10日,2149 - 2155年,1999页。视图:出版商的网站|谷歌学术搜索
15. k . Gadhoumi人类。莉娜,j . Gotman”中央的颞叶癫痫患者的癫痫发作预测使用脑电图的措施相似,“临床神经生理学,卷124,不。9日,第1754 - 1745页,2013年。视图:出版商的网站|谷歌学术搜索
16. t . n . Alotaiby s . a . Alshebeili f . m . Alotaibi和s . r . Alrshoud“癫痫发作预测使用CSP和LDA对头皮EEG信号,”计算智能和神经科学卷,2017篇文章ID 1240323, 11页,2017年。视图:出版商的网站|谷歌学术搜索
17. r . Jenke a .同行,m·巴斯”从脑电图对情感识别特征提取和选择,”IEEE情感计算,5卷,不。3、327 - 339年,2014页。视图:出版商的网站|谷歌学术搜索
18. t·张,w·陈,m·李”基于“增大化现实”技术的二次特征提取在vmd域为基础自动癫痫脑电图检测使用随机森林分类器,”生物医学信号处理和控制31卷,第559 - 550页,2017年。视图:出版商的网站|谷歌学术搜索
19. A·f·拉比和r . Fazel-Rezai模糊逻辑系统癫痫发作在颅内脑电图检测,”计算智能和神经科学文章ID 705140卷,2012年,12页,2012。视图:出版商的网站|谷歌学术搜索
20. X.-W。王,d .聂,B.-L。陆”,情绪状态分类从脑电图数据使用机器学习方法,“Neurocomputing卷,129年,第106 - 94页,2014年。视图:出版商的网站|谷歌学术搜索
21. 问:刘,X.-g。赵,Z.-g。侯”,度量学习与事件相关的潜在的组件分类EEG信号,”学报2014年22日欧洲信号处理会议(EUSIPCO)IEEE,页2005 - 2009年,里斯本,葡萄牙,2014年9月。视图:谷歌学术搜索
22. b . k .智利r . Launonen诉Ollikainen,美国南帝,“一个新的相似性度量使用Bhattacharyya协同过滤系数的稀疏数据,”以知识为基础的系统卷,82年,第177 - 163页,2015年。视图:出版商的网站|谷歌学术搜索
23. g . Sidorov a . Gelbukh h . Gomez-Adorno d·平托,“软相似性和软余弦度量:相似的特性在向量空间模型中,“Computacion y sistema,18卷,不。3、491 - 504年,2014页。视图:出版商的网站|谷歌学术搜索
24. w . l .林g . Wang左,x,和l .张“跨域视觉匹配通过广义相似性度量和特征学习,”IEEE模式分析与机器智能,39卷,不。6,1089 - 1102年,2017页。视图:出版商的网站|谷歌学术搜索
25. g . g . Chen, w .商,z谢,“自动变点检测脑电图信号结构时间序列分析的基础上,“IEEE访问7卷,第180180 - 180168页,2019年。视图:出版商的网站|谷歌学术搜索
26. m·A·f·皮门特尔·d·A·克利夫顿l·克利夫顿和l . Tarassenko“回顾新奇检测”信号处理卷,99年,第249 - 215页,2014年。视图:出版商的网站|谷歌学术搜索
27. a . Delorme t Sejnowski, s . Makeig”增强检测工件的脑电图数据使用高阶统计和独立分量分析,“科学杂志,34卷,不。4、1443 - 1449年,2007页。视图:出版商的网站|谷歌学术搜索
28. g . Giannakakis诉Sakkalis、m . Pediaditis和m . Tsiknakis”发作的方法检测和预测:概述,”现代脑电图仪的评估技术施普林格,页131 - 157年,柏林,德国,2014年。视图:出版商的网站|谷歌学术搜索
29. m . Alamuri劳·苏拉姆普第(b . r ., A . Negi”距离/相似的调查措施分类数据,”《2014年国际神经网络(IJCNN)联合会议IEEE,页1907 - 1914年,北京,中国,2014年7月。视图:出版商的网站|谷歌学术搜索
30. p . Papadimitriou a Dasdan h . Garcia-Molina,“网络异常检测图相似,”《互联网服务和应用程序,1卷,不。1,19-30,2010页。视图:出版商的网站|谷歌学术搜索
31. Dokmanic, r . Parhizkar j·拉涅利,m . Vetterli“欧几里得距离矩阵:基本理论、算法和应用,“IEEE信号处理杂志,32卷,不。6日,夫人,2015页。视图:出版商的网站|谷歌学术搜索
32. m·c·怀特洛克和d . Schluter生物数据分析,罗伯茨和公司出版商,格林伍德村,有限公司,2009年美国。
33. j·r·赫尔希和p·a·奥尔森,”近似Kullback Leibler高斯混合模型之间的差异,”学报2007年IEEE国际会议音响、演讲和信号Processing-ICASSP ' 07IEEE,檀香山,嗨,美国,2007年4月。视图:出版商的网站|谷歌学术搜索
34. s . Kullback信息理论和统计、快递公司、切姆斯福德,妈,美国,1997年。
35. s . Tabibian a·阿克巴里,b . Nasersharif”语音增强使用小波阈值方法基于对称Kullback-Leibler分歧,”信号处理卷,106年,第197 - 184页,2015年。视图:出版商的网站|谷歌学术搜索
36. e .车辆疾驰”Neue begrundung der理论quadratischer岁冯女的unendlichvielen veranderlichen,”杂志毛皮死Reine和《Mathematik (Crelles日报》),卷1909,不。136年,第271 - 210页,1909年。视图:出版商的网站|谷歌学术搜索
37. a·柯尔莫哥洛夫”近似分布的独立的加式的无穷可分分布”贡献统计爱思唯尔,页159 - 174年,阿姆斯特丹,荷兰,1965年。视图:谷歌学术搜索
38. c·a·福克斯和j·范德格拉夫,“加密量子力学状态,可区别性措施”IEEE信息理论,45卷,不。4、1216 - 1227年,1999页。视图:出版商的网站|谷歌学术搜索
39. h·劳伦和c . Doncarli平稳性指数突然变化检测在时频平面上,“IEEE信号处理信件,5卷,不。2,43-45,1998页。视图:出版商的网站|谷歌学术搜索
40. a . Bhattacharyya”的定义差异两个人口统计概率分布,“加尔各答数学学会公报,35卷,第110 - 99页,1943年。视图:谷歌学术搜索
41. r·g·Andrzejak k .辛德勒,c . Rummel”Nonrandomness、非线性依赖和非平稳癫痫患者的脑电图仪的记录,”物理评论E,卷86,不。4、文章ID 046206, 2012。视图:出版商的网站|谷歌学术搜索
42. a·r·哈桑·s . siu, y,“癫痫发作检测脑电图信号小波变换使用tunable-Q因素和引导聚集,“计算机在生物医学方法和项目卷,137年,第259 - 247页,2016年。视图:出版商的网站|谷歌学术搜索
43. p .凯拉韦”,有序的方法来可视化分析:正常的成人和儿童脑电图特点,“当前实践:临床脑电图,乌鸦出版社,纽约,纽约,美国,1990年。视图:谷歌学术搜索
44. a . Subasi和m·伊斯梅尔Gursoy”EEG信号分类使用PCA、ICA LDA和支持向量机,”专家系统与应用程序,37卷,不。12日,第8666 - 8659页,2010年。视图:出版商的网站|谷歌学术搜索
45. 大肠Başar和b . Guntekin审查δθ,α、β和γ响应振荡神经精神障碍”补充临床神经生理学卷,62年,页303 - 341,爱思唯尔,阿姆斯特丹,荷兰,2013年。视图:出版商的网站|谷歌学术搜索
46. w . s . Li周,问:元,s .耿和d . Cai”特征提取和识别的猝发的脑电图使用EMD和支持向量机,”计算机在生物学和医学,43卷,不。7,807 - 816年,2013页。视图:出版商的网站|谷歌学术搜索
47. y Kumar m . l .该文,r . s . Anand“癫痫发作在脑电图检测使用DWT-based ApEn和人工神经网络,”信号,图像和视频处理,8卷,不。7,1323 - 1334年,2014页。视图:出版商的网站|谷歌学术搜索
48. m . Plechawska-Wojcik m . Kaczorowska和d . Zapala工件子空间重建(ASR)脑电图信号校正。比较研究”《2018国际会议信息系统体系结构和技术施普林格,页125 - 135年,Nysa,波兰,2018年9月。视图:出版商的网站|谷歌学术搜索
49. a·巴塔查里亚、p .凹地和m .朋友“低失真措施转化为低维空间映射进行统计距离,”国际会议程序对数据库和专家系统的应用施普林格,页164 - 172年,林茨,奥地利,2009年8月。视图:出版商的网站|谷歌学术搜索
50. m . Haghighat m . Abdel-Mottaleb, w . Alhalabi”判别相关分析:实时多通道生物识别特征级融合,“IEEE取证和安全信息,11卷,不。9日,第1996 - 1984页,2016年。视图:出版商的网站|谷歌学术搜索
51. p . Du,刘,j .夏和y赵,“信息融合技术从时段遥测遥感图像变化检测,”信息融合,14卷,不。1,19-27,2013页。视图:出版商的网站|谷歌学术搜索
52. 美国保罗和s Das”,同时特征选择和weighting-an进化多目标优化方法,”模式识别的字母卷。65年,51-59,2015页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020广元陈等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。