癫痫发作预测使用机器学习的方法

文摘

癫痫发作发生由于大脑功能的紊乱会影响病人的健康。预测癫痫发作前的开始出现对预防癫痫的药物非常有用。机器学习技术和计算方法用于预测癫痫发作从测量(EEG)信号。然而,噪声去除EEG信号的预处理和特征提取两个重大问题有不利影响预期时间和真阳性预测率。因此,我们提出一个模型,该模型提供了可靠的预处理和特征提取方法。我们的模型预测癫痫发作的癫痫的发病开始之前足够的时间,并提供一个更好的真阳性。我们有应用经验模态分解(EMD)预处理和提取时间和频域特性训练预测模型。该模型检测preictal开始的状态,即国家开始几分钟在癫痫的发作之前,更高的真阳性率与传统方法相比,92.23%,33分钟的最大预期时间和平均预测时间23.6分钟头皮脑电图CHB-MIT数据集22科目。

1。介绍

患者会发作的疾病引起的脑功能障碍称为癫痫(1]。在世界各地有超过五千万人被诊断为癫痫(2),在美国,大约有三百万患者受到癫痫。癫痫是第三个最常见的脑部疾病(3]。癫痫的同时,可能有几个原因,其中一个是分子突变,导致不规则的神经行为或迁移的神经元。虽然癫痫的主要原因还是未知的,早期诊断治疗癫痫可能是有用的。癫痫患者可使用药物治疗或手术4]。然而,这些方法并不是完全有效的。不幸的是,癫痫药物治疗不能完全限制病人的积极的生活。在这些情况下,病人不能独立工作和做一些活动。这将导致社会孤立的个人和经济困难。

癫痫发作的早期预测实际发生之前确保足够的时间;它是非常有用的,因为药物的攻击是可以避免的。癫痫发作有四个不同的国家:preictal状态,这是一个国家出现在发作开始之前,发作的状态,开始与癫痫的发作和结束与攻击,postictal状态后开始发作的状态,和发作状态开始postictal 1日发作的状态和结束后开始前preictal连续发作的状态。图1显示了三个不同的渠道的不同输入状态。此外,可以预测癫痫检测preictal状态的开始。

检测preictal的外观状态(5预测癫痫发作。因此,我们调查的目的是检测preictal状态的出现癫痫发作。机器学习模型被用来预测癫痫发作。这些机器学习模型包括脑电图信号采集、信号预处理、特征提取的信号,最后分类(6)不同癫痫状态。预测模型与机器学习的目的是为了检测preictal癫痫发作开始之前的足够的时间(7]。然而,时间的预测preictal状态腺和最大的灵敏度很重要,和他们仍然作为一个性能问题的预测癫痫发作。

预处理和特征提取脑电图信号有很大的影响最大化预测时间和真阳性率(TPR)。执行预处理去除噪声的信号,提高信噪比(信噪比)。许多研究人员(8]讨论了预处理步骤包括将多个通道脑电图信号转化为一个单一的代理渠道,然后过滤器被应用于提高信噪比(信噪比)。EEG信号,通过使用多个电极可转化为代理渠道通过使用平均滤波器,常见的空间过滤(CSP),大型拉普拉斯算子的过滤器,优化空间格局(OSP)过滤8]。许多研究人员还讨论了提取的线性和非线性特性的预测癫痫发作。功能区分preictal和发作状态包括自回归系数、相对权力从脑电图信号不同的频带,复杂性,Hjorth参数(9),零交叉,李雅普诺夫指数(10),和谱和统计的时刻11]。

最后,正如我们所观察到的在文献[12- - - - - -16),没有机器学习模型,提供了一个绝对可靠的方法预处理和特征提取,我们提出一个有效的和可靠的机器学习模型预测癫痫发作。我们的模型侧重于从脑电图信号预处理和特征提取。我们有多个通道脑电图信号转换成代理信号,然后经验模态分解(EMD) [17)已经申请增加信噪比(信噪比)。我们提取多个特性包括熵、近似熵,Hjorth参数、光谱的时刻,和统计的时刻。已经观察到,统计和频谱特性给发作和preictal州之间的敏感性增加。支持向量机(SVM) [18)已被用来作为分类器分类preictal状态和发作状态之间。

剩下的纸是组织如下:部分2讨论相关工作。部分3拟议的方法解释道。部分4报告和比较实验结果。部分5总结了纸和提到了未来的工作。

2。相关工作

在前面的小节中,我们已经讨论了四个州的发作。其中四个州,发作的状态和preictal状态是非常有用的预测癫痫发作。发作的状态可用于癫痫和nonseizure EEG信号进行分类。preictal状态是另一个有用的癫痫发作。开始几分钟在癫痫发作前,它的开始与结束发作的状态。许多研究人员(12- - - - - -16]试图检测preictal状态的开始利用脑电图信号。然而,只有少数有可靠地检测到preictal癫痫状态。EEG信号的预处理来提高信噪比和特征提取中扮演重要角色的可靠预测癫痫发作。

多个特色的组合成一个特征向量可以用来预测癫痫发作的preictal状态。Rasekhi等人在12)癫痫预测提出了一个算法的单变量线性特性。在[12),作者只用六个脑电图通道模型和提取22单变量线性属性。因此,创建一个132维的特征空间。假设preictal时间开始10到40分钟前发作的状态差异的10分钟。预测癫痫发作被分类一个二进制类,将测试数据分为preictal状态或发作的状态。平均预测敏感性在应用该算法是73.90%。

在[12),作者使用支持向量机作为分类器分类preictal和猝发的EEG信号的状态。作者用单变量线性特征提取使用的秒窗口大小的算法。在第二步中,预处理完成后,最后决定了EEG信号,遵循一定的规则化。提取了三个脑电图通道把电极放在病人的头皮关注发作,而三个电极位于没收外表面。收购了EEG信号的数据转换成段的不重叠的窗口大小的5秒。将这些数据转换为5秒后段,巴特沃斯滤波器(19)被用来降低噪音的效果。

作者在12)提取第一个四统计时刻的特性。所有这四个特性测量相似、方差和对称的连续脑电图信号的样本。为了处理离群值,作者有标准化的所有特性,所以不会有离群值。虽然噪声从信号减少,仍然有一些噪音EEG信号,大脑是一个记录EEG信号的非平稳的来源。平滑进行EEG信号,消除噪音。

已经观察到在文学,单变量线性特性有更好的灵敏度性能对癫痫EEG信号的数据。特谢拉等人在13)提出了一个模型预测癫痫发作的选择只有六频道的EEG信号,提取22线性单变量为每个通道特性。整个特征空间扩展到132维度。在[13),作者只用六电极EEG数据采集。这最低电极选择背后的主要原因是释放病人穿大量电极,因为患者通常不愿意穿那么多电极贴在他们的头皮上由于不适。因此,为了给心灵安慰,只有六个频道已经获得,用于预测目的。作者选择了这些电极通过使用三种不同的方法。

一个方法是通过随机选择6个脑电图电极,而第二种方法是选择六频道已放置在头皮上的电极面积从癫痫起源的地方。作者在13)使用陷波滤波器(20.对噪声去除]为平滑预处理步骤。他们还测试了预测模型通过改变电极的多个组合和四种不同preictal状态持续时间。他们用三个分类器分类和预测有大约每发作。

选择合适的特征之后,送入支持向量机训练数据训练分类器,然后测试数据是通过确定分类的准确性和灵敏度。作者观察到的敏感性检测癫痫的75.8%,这意味着,87年,他们已经成功地检测到66癫痫发作。作者还建议,可以提高性能通过进一步减少功能集。

在[14),Bandarabadi等人提出了一个算法来预测癫痫发作,可以扩展epilepsy-affected病人的生命。后提取的光谱功率特性,适当的选择功能,功能是传递到支持向量机分类。他们观察到的敏感性75.8%;这意味着他们的分类器预测66癫痫总计87。他们得出结论,通过应用这些方法,减少后提出特征子集可以提高癫痫预测性能。

在[15),作者利用小波方法预测癫痫发作。他们提取功能,包括小波能量和小波熵。两个或三个渠道一直在为测试目的选择6个病人的数据集。敏感性被报道为88%的平均预期时间为22分钟。

Zandi et al。16)也提出了一个模型来预测癫痫发作使用头皮脑电图信号零交叉的基础上。作者在16)计算直方图的间隔在一个移动平均窗口和选择值为观察特定的垃圾箱。一旦完成,整个过程持续5秒的观察组相比有不同的参考点,包含preictal和发作。他们有相似指数衡量的基础上变分贝叶斯高斯混合(21)脑电图数据的模型。

结合相似指数后测量计算相似性指数的基础上一个特定的阈值。生成警报的迹象开始preictal状态预测癫痫发作。作者应用他们的癫痫发作预测模型的数据集对象包括86发作。他们观察到模型的敏感性为88.3%。平均预期时间的情况下,检测的时间之前preictal状态开始发作,已经观察到22.5分钟。表1显示了一个比较各种机器学习模型的基础上,受试者的数量,数量的癫痫,类型的脑电图数据,敏感性,和假阳性。

研究中观察到的表1没有可靠的方法选择的通道脑电图信号,也没有可靠的预处理方法。因此,记住这一事实EEG信号的预处理可以提高预测敏感性和平均预期时间,我们提出一个有效的机器学习方法,癫痫预测。

3所示。该方法

癫痫发作预测preictal状态是非常有用的,因为它开始前几分钟没收。这使我们能够预测癫痫发作,如果我们成功地检测preictal状态的开始。本研究的目的是预测癫痫发作开始通过检测preictal国家足够的时间发作的状态或癫痫发作之前就开始了。早期预测(22)帮助病人,药物可以通过医生防止发作。由于这种药物,病人现在可以执行他或她的日常活动没有任何干扰发作。这些状态的关键因素后,我们提出了一个模型来检测preictal状态的开始。然而,把电极放在头皮脑电图数据采集的病人是我们的研究范围。因此,我们使用一个公开可用的免费在线数据集CHB-MIT [23]。数据集被把23个电极放在头皮获得22科目。我们已经在两个阶段进行数据的预处理;在第一阶段,23通道脑电图信号转换成代理渠道,这是一个信号,提高信噪比。在第二阶段的预处理,经验模态分解(EMD)应用于代理渠道进一步提高信噪比。

知道是相关的EEG信号的代理渠道可以平均滤波器,通过应用大拉普拉斯算子的过滤器,或常见的空间模式(CSP)过滤8]。因为我们没有任何的信息参考电极,在电极,23日大拉普拉斯算子的过滤器是不可能的,因为它需要的信息参考电极分配最大重量。我们应用平均滤波器和CSP获得代理渠道和比较结果后得出结论,CSP给提高信噪比;CSP也增加了类内方差的信号。

我们已经完成了经验模态分解(EMD)后转换成代理渠道提高信噪比。经验模态分解代理通道脑电图信号分解为它的振荡函数,称为固有模式函数(货币)。噪音影响高频组件;因此,我们只有四首先在低频和包含关于癫痫的更多信息。这四种货币基金相结合,分类和特征提取。

特征提取在时间和频率域。时域统计特征被提取,而一直在频域提取的光谱特性。相比我们有三种分类器的灵敏度,以及支持向量机已被选为它提供更大的敏感性;因此,使用支持向量机分类是通过preictal之间为了区分测试数据和发作状态。图4显示了一个流程图,说明了我们建议的方法。

图2展示了我们提出的流程图。与此同时,数据采集已经完成第一步把电极放在头皮的主题,和数据存储在edf格式(24]。edf数据转化为MATLAB (21)文件的扩展名借助MATLAB函数称为“edfread。“图3显示块不同渠道的脑电图信号为一个会话。大部分的会话是小时的录音,数据已经获得使用23个电极和采样率为256 Hz。噪音已经添加在23个通道脑电图信号在这些信号的记录;因此,为了提高信号的信噪比(信噪比),我们必须把它变成代理渠道运用常见的空间模式(CSP)过滤。在下一步中,经验模态分解(EMD)是应用于代理通道脑电图信号为进一步提高信噪比。在时域统计特性和光谱特性在频域提取出来。

3.1。代理渠道

CHB-MIT数据集已经获得通过将23日在头皮上的电极的主题;因此23频道。这些渠道包含噪声直接影响预测;因此,我们必须将这些通道转换成一个代理渠道和提高信噪比。多个通道信号可以转换成一个代理渠道运用常见的平均滤波器,大型拉普拉斯算子空间滤波器,常见的空间模式(CSP)过滤器。

3.1.1。平均滤波器

我们应用一个简单平均滤波器在多个通道脑电图单将它转化为代理渠道。这个过滤器计算所有通道的平均组成一个单通道脑电图信号。虽然应用这个过滤器后代理渠道获得比多个通道信号信噪比,仍有一些噪音。图4后显示的代理渠道脑电图信号获得应用平均滤波器。

3.1.2。大的拉普拉斯算子的过滤器

根据我们的观察,平均滤波器没有给出更好的结果。大型拉普拉斯算子的过滤器也给增加信噪比,可用于替代通道(25]。在我们的例子中,CHB-MIT数据集没有参比电极的信息,没有这些信息,我们无法申请大拉普拉斯算子的过滤器。

3.1.3。常见的空间模式过滤器

常见的空间模式(CSP)过滤器(26)可用于多个通道信号转换成代理渠道,因为它给了提高信噪比。最好还执行的EEG信号,提高信噪比,两类变量方差之间的时间间隔。如果和是来自两个不同的癫痫状态信号,也就是说,preictal状态和发作状态,然后你得到了什么和当你把信号的平方除以跟踪(1)和(2),分别。 和添加(3(执行)和特征值分解4在特征值)的结果和特征向量 。假设是一个包含所有对角矩阵特征向量的元素。 重量计算(5),和计算(6)和(7)。特征值分解是在执行(8),得到特征向量和特征值 。这些值按降序排序为了得到一个过滤器在以下方程: 方程(9)显示共同空间模式(CSP)滤波器的系数。我们已经在所有会话应用CSP代理通道脑电图信号为了得到preictal类之间的信噪比和高方差的增加和发作状态。

图5EEG信号的显示了一个阴谋CSP申请后将它转换成一个单一的代理渠道。情节表明,该代理渠道表明preictal状态的开始。

3.2。经验模态分解(EMD)

在经验模态分解(EMD) (27),一个时域信号被分解为许多振荡函数称为固有模式函数(货币)。这个过程的信号分解为多个货币而留在时域与小波分解和傅里叶变换。EMD分析是一个非常有用的过程信号的非平稳而不是线性的。当经验模态分解应用于代理渠道EEG信号,它从原始信号过滤掉噪音。高频组件包含噪声,而低频包含原始信号和信息发作。

有不同的频率成分,得到的结果应用经验模态分解和固有模式函数(货币)。获得多个货币基金根据EEG信号的本质。与此同时,这是一个重要的事实分解,每个固有模态函数的长度等于代理渠道的长度的信号。我们运用EMD代理渠道每个会话的主题在MATLAB。我们分析了不同的货币基金,已经观察到最后四首先获得后运用EMD包含最大癫痫状态的信息。因此,我们结合过去四货币基金,用于特征提取。每个固有模式函数必须遵循下列条件:(1)值和峰值总数的零交叉理想情况下应该相同或有1的最大区别。(2)在任何给定信号,平均包络值被定义为局部极大值,和信封所定义的局部最小值是零。假设是给定的信号;所有的最大值和最小值都可以通过算法1。

3.3。选择一个不重叠的窗口

CHB-MIT数据集已经在256 Hz采样;因此,我们选择了一个不重叠的窗口1秒的256个样本组成。选择窗口已经完成为了增加将采样数据的处理速度。

3.4。特征提取

几个特征提取在此工作,但谱和统计时刻表现更好的预期时间和灵敏度。因此,我们提取了前四个统计时刻和三个光谱的时刻28]。

3.4.1。统计的时刻

四个统计时刻获得货币非常有用的分类不同州的癫痫发作。这些统计时刻给信息分布的样本包括样本之间的差异,对称和山峰。分析统计的时候首先运用EMD后获得的发作和nonseizure会话显示这些信息可以很容易地分类。如果代表了信号,货币基金的国际货币基金组织表示长度;然后统计时刻可以由以下公式计算: 在哪里是国际货币基金组织(IMF)的长度的样品总数;的意思是,标准差,是相应的国际货币基金组织(IMF)的偏态。

图6显示了一个阴谋的意思是脑电图信号,而数字7,8,9显示块标准差、偏斜度和峰度EEG信号,分别。

3.4.2。光谱特性

经验模态分解可以进行光谱分析(29日脑电图信号。EEG信号的振幅增加频域在癫痫发作,这是有用的预测。因此,我们也在频域特征提取。

经验模态分解的概念理解是一个单一的信号分解为一系列固有模态函数(货币),这是通过从过滤器窄通带。光谱的时刻已经从固有模态函数(货币)。这些不同的癫痫状态的时刻提供有用的信息。大多数时候,当运用EMD,这个光谱分析用瞬时频率的计算执行(如果有)。然而,它还报道说,计算瞬时频率为mono组件只有一个物理意义的信号。

它不再是新闻,当EMD应用脑电图信号我们不会单调组件。作为替代,我们计算功率谱密度(PSD) (30.)中提取光谱的时刻。PSD的歧视权力特性可以直观地分析了他们各自的情节三首先从正常和病理脑电图信号。PSD可以计算如下: 在哪里代表的自相关 ,定义为= 。

然而,自相关信号的相关性本身和时间延迟。在上面的方程中,代表了信号和 代表其延迟的版本。视觉的PSD分析货币基金的统计数据显示,可以使用PSD作为特征提取的相关特性。

(1)频谱质心。作为国际货币基金组织(IMF)的光谱变化,正常的和不同控制对象在EEG信号,可以使用变分系数作为分类特征的脑电图信号。方程(13给出了变分系数的计算公式;的振幅光谱中频率本。在(12),计算信号的频谱质心。图10显示了EEG信号频谱质心的情节。

(2)变分系数。作为国际货币基金组织(IMF)的光谱变化,正常的和不同控制对象在EEG信号,可以使用变分系数作为EEG信号的分类特征。方程(13给出了变分系数的计算公式;是频谱质心。这两个和功率谱密度用于计算变分系数 。图11显示了变分系数EEG信号的阴谋。

(3)光谱扭曲。光谱扭曲是第三个光谱的时刻,衡量的对称分布的数据。EEG信号的频谱倾斜的情节显示有明显的变化发生在不同国家的发作。因此,光谱扭曲可能是一个有用的功能预测癫痫发作的脑电图信号。光谱偏态可以使用频谱质心计算 ,变分系数 ,和功率谱密度在(14)。图12显示了EEG信号的谱偏态的阴谋。

3.5。结合特性集

首先,四个统计时刻和三个光谱的时刻已经从货币基金中提取,组合成一个特征向量,用于分类。

3.6。Preictal分类和发作状态

正如我们已经讨论的,对于预测癫痫发作是很重要的,我们开始检测preictal状态,表明癫痫会发生几分钟后,我们需要分类preictal和发作的癫痫发作。我们对特征进行分类,提取的窗口1秒。preictal状态检测,三个样品分为preictal状态样本。

3.7。分类器的选择

我们有一些从发作的时间特性和提取nonictal状态和合适的选择分类器进行了比较。

三个应用了分类器:最近的邻居分类器、朴素贝叶斯和支持向量机。后执行三种不同的分类器的比较,支持向量机已经选择了预测癫痫发作,因为它执行更好的灵敏度。图13显示了三种不同的分类器的灵敏度比较。

4所示。结果

为选择一个合适的分类器,进行了分类的癫痫的发作的国家与其他国家。选择支持向量机作为分类器由于其优越的性能的敏感性。分类器的选择后,我们应用的癫痫发作预测模型CHB-MIT数据集,其中包含EEG信号的录音几个小时的24例3-19岁有84癫痫,和采样数据采样率为256 Hz。我们只选择那些会话数据集癫痫发作,至少20分钟后从开始的会议。

我们计算平均预期时间84届只从一个完整的CHB-MIT数据集。我们已经计算平均预测癫痫发作的时间为23.48分钟,而最大的预测时间已经观察到癫痫发作前33.46分钟。平均灵敏度被观察到的为92.23%,特异性为93.38%。

图14和表2显示比较结果生成由我们提出的模型和其他模型。很明显的比较我们的模型性能更好的敏感性和预期时间相比Zandi et al。16),特谢拉et al。13]。

5。结论和未来的工作

在这个研究中,我们使用了CHB-MIT数据集记录的把电极放在头皮的主题预测癫痫发作。我们已经测试了我们的模型数据集,和结果所示,我们的模型性能更好的敏感性和平均预测时间比其他模型预测癫痫发作。在应用该模型的数据集,我们预测癫痫发作平均23.6分钟开始前癫痫的发作。因此,我们提出的模型的帮助下,epilepsy-affected病人会得到更多的时间进行适当的药物治疗所需实际发生前预防发作。我们还观察到最大预测时间33.46分钟的数据集。

在未来,EEG信号的预处理可以进一步改善癫痫预测的敏感性增加。可以尝试其他预处理方法,包括混合预处理方法和那些带有自适应窗口大小31日]。此外,我们还可以开发一个在线系统预测癫痫发作。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者感谢金融研究经费的支持,(1)自然计算和Metaheuristics数据挖掘算法优化性能,批准号浮置板轨道,myrg2016 - 00069提供的澳门大学,置,RDAO;和(2)一个可伸缩的数据流挖掘方法:基于流的整体分析和并行推理,批准号提供的FDCT / 126/2014 / A3, FDCT澳门。

引用

1. r . Acharya美国诉Sree g .副研究员和j·s .苏瑞,r . j . Martis”自动化癫痫脑电图分析:审查。”以知识为基础的系统,45卷,第165 - 147页,2013年。视图:出版商的网站|谷歌学术搜索
2. r·s·费舍尔,w . Van Emde蟒蛇,w·布卢姆et al .,“癫痫发作和癫痫:国际抗癫痫联盟提出的定义(ILAE)以及国际癫痫(IBE),“Epilepsia,46卷,不。4、470 - 472年,2005页。视图:出版商的网站|谷歌学术搜索
3. l·e·赫伯特·a·谢尔·j·l·Bienias d·a·班尼特和d·a·埃文斯,”阿尔茨海默病在美国人口:患病率估计使用2000年的人口普查,“JAMA神经学,60卷,不。8,1119 - 1122年,2003页。视图:出版商的网站|谷歌学术搜索
4. m . Guenot“癫痫的外科治疗:各种手术的结果在成人和儿童,”Revue Neurologique,卷160,不。5,S241-S250, 2004页。视图:出版商的网站|谷歌学术搜索
5. w . y . Wang周,问:元et al .,”发作的比较和发作eeg信号使用分形特性,”国际期刊的神经系统,23卷,不。6、文章ID 1350028, 2013。视图:出版商的网站|谷歌学术搜索
6. j·恩格尔,”ILAE分类的癫痫综合征”,癫痫的研究,卷70,不。1,5 - 10,2006页。视图:出版商的网站|谷歌学术搜索
7. n Moghim d·w·科恩,“提前预测癫痫发作,”《公共科学图书馆•综合》,9卷,不。6篇文章ID e99334 2014。视图:出版商的网站|谷歌学术搜索
8. h·拉莫斯,j . Muller-Gerking g . Pfurtscheller“单一优化空间过滤试验脑电图在想象手运动,”IEEE神经系统和康复工程,8卷,不。4、441 - 446年,2000页。视图:出版商的网站|谷歌学术搜索
9. c . Vidaurre:克莱默、Blankertz b和a . Schlogl“时域参数计算机接口,因为它使得基于脑电图作为一个功能的大脑”神经网络,22卷,不。9日,第1319 - 1313页,2009年。视图:出版商的网站|谷歌学术搜索
10. s . Osowski b . Swiderski a Cichocki, a . Rysz“癫痫发作李雅普诺夫指数表征的EEG信号,”强迫——国际期刊在电气和电子工程计算和数学,26卷,不。5,1276 - 1287年,2007页。视图:出版商的网站|谷歌学术搜索
11. k . c . Chua诉Chandran, r . Acharya和c . m . Lim”应用高阶统计/光谱在生物医学信号评论,”医学工程学和物理学,32卷,不。7,679 - 689年,2010页。视图:谷歌学术搜索
12. j . Rasekhi m·r·k·Mollaei m . Bandarabadi c . a .特谢拉和a . Dourado”预处理的影响22发作的线性单变量特性的性能预测方法,”神经科学杂志》上的方法,卷217,不。1 - 2日,9到16,2013页。视图:出版商的网站|谷歌学术搜索
13. c . A .特谢拉b . Direito m . Bandarabadi et al .,“癫痫发作预测基于计算智能技术:与278名患者,比较研究”计算机在生物医学方法和项目,卷114,不。3、324 - 336年,2014页。视图:出版商的网站|谷歌学术搜索
14. m . Bandarabadi c . a .特谢拉j . Rasekhi和a . Dourado“癫痫发作预测使用相对光谱功率特性,”临床神经生理学,卷126,不。2、237 - 248年,2015页。视图:出版商的网站|谷歌学术搜索
15. k . Gadhoumi j·莉娜,j . Gotman“歧视preictal和颞叶癫痫患者的发作状态使用小波分析颅内脑电图的,”临床神经生理学,卷123,不。10日,1906 - 1916年,2012页。视图:出版商的网站|谷歌学术搜索
16. a . s . Zandi r . Tafreshi m . Javidan和g·a·杜蒙特”预测癫痫发作在头皮脑电图基于变分贝叶斯高斯混合模型的零交点间隔,”IEEE生物医学工程,60卷,不。5,1401 - 1413年,2013页。视图:出版商的网站|谷歌学术搜索
17. n . e .黄z沈,s . r .长et al .,“经验模态分解和希尔伯特谱对非线性和非平稳时间序列分析、“454卷,页。903 - 995年在英国伦敦皇家学会学报》上:数学,物理和工程科学,英国皇家学会,1998年。视图:谷歌学术搜索
18. m·a·赫斯特,美国t·杜e . Osuna j·普拉特和b . Scholkopf“支持向量机”,IEEE智能系统和他们的应用程序卷。13日,18-28,1998页。视图:谷歌学术搜索
19. r .印度和d . p . Mandic基于脑电图的生物识别框架自动身份验证,”《超大规模集成信号处理系统的信号,图像和视频技术卷,49号2、243 - 250年,2007页。视图:出版商的网站|谷歌学术搜索
20. c . Brunner m . Naeem r .里氏b . Graimann和g . Pfurtscheller”四类空间优化组件的过滤和选择电动机图像脑电图数据使用独立成分分析,“模式识别的字母,28卷,不。8,957 - 964年,2007页。视图:出版商的网站|谷歌学术搜索
21. s . j .罗伯特d . Husmeier Rezek, w .一分钱,”高斯混合模型的贝叶斯方法,“IEEE模式分析与机器智能,20卷,不。11日,第1142 - 1133页,1998年。视图:出版商的网站|谷歌学术搜索
22. f . Mormann t . Kreuz c·里克et al .,“癫痫发作的可预测性,”临床神经生理学,卷116,不。3、569 - 587年,2005页。视图:出版商的网站|谷歌学术搜索
23. g·b·穆迪·r·g·马克,a . l . Goldberger“生理网:生理信号,时间序列和相关开源软件为基础,临床应用研究,”学报》第33届IEEE工程国际会议在医学和生物学的社会,2011年磨床,页8327 - 8330,美国2011年9月。视图:出版商的网站|谷歌学术搜索
24. b·坎普和j·奥利文“欧洲数据格式“+”(EDF +),一个法国电力公司(EDF)相似的生理数据交换的标准格式,“临床神经生理学,卷114,不。9日,第1761 - 1755页,2003年。视图:出版商的网站|谷歌学术搜索
25. i . k . Niazi江n, o . Tiberghien j·f·尼尔森,k . Dremstrup d·法里,“从实验刺激皮层电位检测运动的意图,“《神经工程,8卷,不。6、文章ID 066009, 2011。视图:出版商的网站|谷歌学术搜索
26. k . k . Ang z . y .下巴,h, c .关,“滤波器组常见的空间模式(FBCSP)在脑-机接口”《IEEE国际联合会议上神经网络(IJCNN 08年)2008年6月,页2390 - 2397。视图:出版商的网站|谷歌学术搜索
27. n . e .黄z沈,s . r .长et al .,“经验模态分解和希尔伯特谱对非线性和非平稳时间序列分析。在伦敦皇家学会的一个:数学”英国伦敦皇家学会学报》上:数学,物理和工程科学,英国皇家学会卷,454年,第995 - 903页,1998年。视图:谷歌学术搜索
28. r . Pachori“歧视之间发作的使用经验模态分解和控制发作EEG信号,”在信号处理研究快报ID 293056条,卷。2008年,14页,2008。视图:出版商的网站|谷歌学术搜索
29. n . Sulaiman m . n . Taib s a·穆罕默德阿里斯n h·哈米德,s .蓝色石灰岩和z h . Murat”压力特性识别使用脑电图从脑电图信号不对称&频谱质心技术”学报2010年IEEE磨床生物医学工程与科学会议(IECBES 10)2010年12月,页417 - 421。视图:出版商的网站|谷歌学术搜索
30. İ。居尔,m . k . Kiymik m .类似,a . Alkan”EEG信号的AR谱分析通过使用最大似然估计,“计算机在生物学和医学没有,卷。31日。6,441 - 450年,2001页。视图:出版商的网站|谷歌学术搜索
31. k .局域网f·西蒙,w .歌曲,诉Athanasios和c理查德,”自适应预处理方法对大数据流分类的物联网环境传感器监测”学报2017年国际会议上大数据分析和商业智能(ICBDBI 17),苏州,中国,2017。视图:谷歌学术搜索

版权

版权©2017赛义德·穆罕默德·乌斯曼等。这是一个开放的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。