文摘
癫痫发作自动检测技术的临床诊断主要依靠脑电图(EEG)记录,这是非常有用的工具为癫痫定位和识别。目前,传统的癫痫检测方法只基于单一视图功能有很大的局限性的典型动态和非线性脑电图信号。一个本文的目的是调查的影响多视图特征选择和多级光谱分析方法识别癫痫EEG信号的检测。多视图功能是提取时域,频域和信息理论EEG信号的收集足够的信息。和特征选择算法,提出了基于粒子群优化(PSO)的自动检测。此外,由于不同频率成分的EEG信号,他们分为四种脑电波进行多级谱分析。这四个节律波的影响在癫痫检测比较。三个著名的分类器是用来关于癫痫EEG信号或nonseizure事件进行分类。结果表明,平均准确性、特异性和敏感性的分类与CHB-MIT数据库是98.14%,98.64%,和96.79%,分别。PSO-based的应用自动癫痫检测特征选择方法改进的SVM分类器精度5.99%。 Compared with the state-of-the-art methods, the proposed method has superior competence with high performance for automatic seizure detection. It is further shown that the feature selection method is an indispensable step in seizure detection. With PSO-based feature selection and multilevel spectral analysis, the波的频率范围4 - 7赫兹显示更好的性能在EEG信号的识别,该方法更适合。PSO-based特征选择算法自动癫痫检测可以是一个有用的助理临床诊断的工具。
1。介绍
癫痫是一种常见的神经系统疾病引起的大脑异常放电,影响大约1%的世界人口。大约35%的患者癫痫药物可以控制的。其他的8 - 10%可以通过手术治疗。没有可行性的治疗策略对剩下的病人(1]。癫痫发作的症状伴随着突然和周期性的大脑功能障碍反映过度大脑神经元异常的临床状态。脑电图(EEG)可以记录这个过程和检测大脑电活动(2,3]。之间的区别正常人和癫痫的脑电图记录可以通过阅读EEG记录中找到。这种差异主要反映大脑的脑电图的各种方式,包括有节奏的各种频率的波,多个峰值,复合物的飙升和锋利的波浪。专家读短期脑电图记录很容易,但长期脑电图记录将是一个非常耗时的任务。自动捕获检测技术可以有效地帮助临床专家诊断癫痫疾病。
自动捕获检测方法从研究人员近年来吸引了越来越多的关注。早期癫痫自动检测算法主要是基于经验标准(4,5]。这些方法可能对癫痫的识别。随后,先后出现了一些癫痫检测方法基于单一视图特性和使用frequency-based特征提取方法来训练分类器(6- - - - - -9]。由于EEG信号的非线性特征,frequency-based分析方法有很大的局限性,不能有效区分发作和nonseizure序列。Tzallas等人利用时频分析方法(TF)获取能量通过计算不同TF的概率密度函数(PDF)分布和能量作为特征对EEG信号进行分类。分类结果证实TF对自动癫痫检测分析方法有效(10]。张等人构建一个脑电图蒙太奇和多个时间序列特征提取器,不同频率成分的信号11]。Ech-Choudany特遣部队分析框架等人设计了一个基于不同癫痫检测(12]。实验结果表明,它实现了高精度的各种分类问题(包括2、3和5分类)。多视图的TF方法提供联合信息从时域和频域特性,实现更好的性能比早期的方法只考虑单一视图的功能。
提出了几种特征提取方法进行脑电图分析。他们分为四个领域:时域分析、频域分析、TF分析和非线性方法。在[13)、奇异值分解和连续上涨区间分析被用来获取信号的低和高频率特性,分别。提取的特征被送入单独人工前馈神经网络分类和每个网络包括两个隐藏层。在[14),21个特征提取在每个2 s脑电图段,包括时域,频域,基于熵和非线性特性。这些特性被输入到线性判别分析(LDA)进行分类。托马斯等人从每个8年代脑电图段55特征提取和使用高斯混合模型来检测癫痫(15]。艾哈迈德等人,Temko等人使用相同的特征,这些特征输入支持向量机(SVM)分类器与径向基函数(RBF)和高斯动态时间扭曲16,17]。Zwanenburg等人获得5特性和使用支持向量机来检测是否癫痫发生在新生儿(18]。Logesparan等人总结97年入围出版物相比,并获得65年特性来评估这些特性的区别的性能(19]。当提取特征的数量大,特征向量的维数会增加,导致高计算成本为癫痫的识别。特征选择方法可以减少特征的维数,提高分类的准确性。
特征选择的目的是选择一个子集的相关特性。现有的工作很少考虑特征选择的影响在癫痫检测的性能分类。一些功能从EEG信号中提取冗余或无关紧要。特征选择方法可以删除冗余信息,防止有用信息的损失。特征选择方法的优点包括以下几点:(1)简化和模型研究人员或用户更容易解释20.];(2)培训时间短(21];(3)减少维数(22];(4)改善学习的兼容性模型分类数据23];(5)编码的输入空间的对称性。特征选择包括两个方面:新功能子集的搜索方法和评价指标,分数每个子集。根据不同的评估指标,特征选择算法可以分为三类:包装器,过滤器,和嵌入式方法(24]。包装方法使用预测模型评分功能的一个子集。每一个新的子集用于训练模型,然后测试验证集。特征子集得分通过计算错误的数量(即模型的错误率)在验证集。这种方法倾向于寻找最优特性集一个特定类型的模型。基于过滤器的方法采用代理指标而不是得分错误率基于特性的子集。它也被运用于包装方法的预处理步骤,以便包装方法时仍然可以使用太复杂的问题。嵌入式方法试图结合前两方法的优点。它利用自己的变量选择过程,同时进行特征选择和分类。该方法的计算复杂度往往介于包装器和过滤器的方法。本文使用包装器方法找到最好的癫痫检测的特性集。
粒子群优化(PSO)是一种以人群为基础的搜索算法进行首次提出了肯尼迪和埃伯哈特(25,26]。它不使用进化算子对个人但作为他们每个人一个粒子(点),而不采用搜索空间体积。粒子飞行速度一定在这个空间和调整它的位置和速度动态地根据自己的经验和其同伴的经验(27]。PSO算法是强大和易于实现,计算效率高。由于这些PSO算法的优势,它已经演变为一个简单而有效的优化算法(28,29日]。摘要PSO-based特征选择算法来优化提取的特征。之前和之后的影响特征向量优化的分类探讨EEG信号。
几个分类策略用于癫痫检测。SVM分类器可能是最受欢迎的分类器,广泛应用于自动癫痫检测(30.- - - - - -33]。SVM分类器找到一个超平面的基于训练集的样本空间和独立样本成不同的类。找到最大边际收益强劲的分割超平面分类结果和产生的最佳概括看不见的样本。随机森林(RF)分类器是一种整体学习者由多个独立决策树学习(34,35]。它收集随机训练样本,样本显示多样性,可有效提高最终的整体的概括。基于距离测量的方法, - - - - - -最近邻( - - - - - -神经网络分类器找到样品中最接近给定的样本训练集,然后根据这些信息作出预测邻居(36]。在特征选择算法,相应的分类器是用于训练模型和获得病人的最佳特征子集。测试集预测评估分类器的性能。
特征提取方法已经提出了许多癫痫检测。然而,特征融合和选择仍将影响识别的最终性能。在[19],作者重点选择一组最优的特性通过比较单一特征对分类的性能。在[37),作者提供了九个在时域统计特性解决不平衡的问题脑电图数据集。它已经在[指出27,明显提高性能优化特性。哈桑等人提取三个特点利用经验模态分解和分类选择的最重要的特性38]。但他们用于自动特征选择的功能从单一域,将不会得到足够的信息从脑电图信号。摘要熔解的特性从多视图提供了获得足够的EEG信号的信息。此外,PSO-based自动癫痫检测的特征选择算法。算法输出一组最优的特性来提高识别癫痫检测的性能通过三个常见的分类器。
此外,在某些频段癫痫发作可能导致歧视。从癫痫患者EEG信号的非平稳时变频率成分。根据多级EEG信号的频谱分析,分为四个频段信号:(0.4 4赫兹),(4 - 8 Hz),(8 - 12 Hz),(夫人赫兹)。和这些乐队的相关性分析癫痫检测。摘要PSO-based特征选择方法用于自动癫痫检测对EEG信号进行分类。该方法的框架是描绘在图1。这个工作的创新是采用PSO-based特征选择找到最佳特性集多视图功能,提高分类的准确性与EEG信号自动被检测。此外,多级光谱分析方法用于寻找癫痫检测哪个频段更好。该方法可以优化特征向量和改善性能的EEG信号的识别。本文的主要贡献如下:提供(1)多视图特征提取提供联合信息的信号,实现更好的性能比只考虑单一视图特性的方法。因此,EEG信号的获取足够的信息,我们从时域多视图中提取特征,频域和信息理论。此外,PSO-based特征选择方法,提出了自动癫痫检测来提高分类的性能(2)由于不同频率成分的EEG信号,他们分为四种脑电波。多级谱分析方法用于提高分类的性能(3)三个著名的分类器是用来分类有关癫痫EEG信号或nonseizure事件与最优特征子集
本文的内容组织如下。节2数据库用于执行仿真实验,介绍了预处理方法。和EEG信号的特征提取和分类。并给出了实验结果和分析3。部分4讨论了比较先进的癫痫检测方法使用相同的数据库。最后,部分中描述的结论5。
2。方法和材料
2.1。CHB-MIT脑电图数据库
波士顿儿童医院提供的公共CHB-MIT数据库用于该方法。数据库包含长期患有难治性癫痫脑电图记录来自23个新生儿癫痫患者(39- - - - - -41]。数据采集是由放置在头皮上的电极的病人。电极的放置在头皮上遵循国际标准(见图10 - 20系统2)。数据库收集的记录1.5 23岁的患者,22岁。和详细的描述如表所示1。数据库中有24例,他们每个人9连续42文件包含一个主题。24例,共有664名包括文件和198年没收事件。所有脑电图信号采样与一个16位分辨率256 Hz。大部分的文件包含23频道(24或26在某些情况下)。与此同时,由于电极蒙太奇的连续性,我们不能读取数据的渠道在chb4 chb6, chb12, chb16。因此,这四个病人的数据删除。
2.2。EEG信号的预处理
2.2.1。分割
为了训练分类模型,4352段选择20例。考虑长期EEG信号的特征,8年代有50%的重叠的滑动窗口是用来更好地实现癫痫检测。摘要猝发的和发作期的数据分割窗口的8 s和重叠。段从发作的时间获得的信号标记阳性样本。获得的部分发作期的信号负样本的标签。以来的总持续时间发作期发作的时间比这长得多的时间。为了避免对分类的影响造成的额外偏向某种类型的样本数据中分裂的过程,我们确保一致性的数据分布在分裂过程中通过随机抽样负样本保持正负样本的数量一致。具体地说,所有的癫痫发作的病人将用于训练模型。随机选择和nonseizure段继续扣押段和nonseizure段的数量相等。
2.2.2。过滤
之前实施提出癫痫检测方法,关键是执行信号过滤,删除不需要的组件从原始EEG信号噪声(42]。CHB-MIT数据库,大多数癫痫样的排放低于32赫兹。所以,频带通常用于癫痫诊断是0.01 -32赫兹(43]。因此,四阶巴特沃斯滤波器用于滤脑电图信号和保护特定频带的脑电图数据。
2.2.3。通道选择
由于EEG信号的多通道特性,有必要进行频道选择(44- - - - - -49]。大多数病例CHB-MIT收集23频道信息。但是在某些情况下,有24或26。如果所有通道用于分类、特性不能提取均匀,将导致高的计算时间。分类性能和计算时间必须平衡通过选择渠道相关癫痫EEG信号事件进行进一步分析。
在[46),作者提出了一个基于机器学习的渠道选择的癫痫发作预测方法。他们发现,自适应地选择三到六频道足够好的脑电图的癫痫预测任务。在这篇文章中,五个通道脑电图信号的选择进行分析。通道选择方法描述如下。
通道最少的标准差(SD)是第一选择。spike-rate增加时,振幅也变得非常高的发作。由于不必要的工件或肌肉运动,它可以增加spike-rate nonseizure段和振幅。这些渠道与工件会有相对高的SD,很难区分扣押事件长期脑电图记录。然后,其余的四个渠道选择根据互信息(MI)。MI是一个定量测量和用于查找两个随机变量的相关性或相似。通过计算第一个选定的频道之间的MI和其余的频道,有更高的MI的四通道选择一个来。具体来说,MI的两个随机变量的定义和介绍(50] 在哪里和随机变量的熵值吗和 ,分别。 联合熵和 。
2.3。特征提取
特征提取方法是非常有用的自动检测癫痫。EEG信号的多视图融合功能将提供足够的信息(51]。在这篇文章中,时域、频域和信息提取的理论特性。从原始信号时域特性获得或从第一和第二信号的衍生品。频域特性,计算了每一部分的功率谱密度。信号的随机特性的基础上,引入信息熵理论,代表信号的特征信息。
2.3.1。时域特征
从原始信号时域特性获得或从第一和第二信号的衍生品。振幅和区间分析应用于提取时域统计信息。对于每一个部分的信号,最大,最小,意思是,线路长度、方差,数量的最大值和最小值,均方根振幅计算获得的空间特性根据录音片段 。此外,一阶差分信号的方差和第二信号也被认为是不同。
由于EEG信号的时变特性,使用一些无因次特性,关于波形因数,峰值因素,脉冲因素,利润因素,偏态和峰态。此外,原始信号的零交叉和第一和第二衍生品。非线性能量被用来预测成年癫痫患者癫痫发作和计算出每一段显示为52]
Hjorth参数都是基于简单的统计计算脑电图(53),包括活动、移动性和复杂性。自回归模型(AR)方法用于分析EEG信号(54]。摘要AR建模与秩序的错误使用1 - 9。31岁的完全用于时域特性。
2.3.2。频域特性
在频域分析中,使用傅里叶变换将时域转换成频域获得特征从另一个角度来看。频域特性是通过计算每个部分的功率谱密度,它可以反映信号组件在不同频率的大小。通过傅里叶变换,峰值频率、平均频率、中心频率、总功率、频率方差和均方根频率选择。光谱边缘频率(报价标准)计算频率低于80%,90%,和95%的总光谱功率。获得详细和焦点的分析频率,通过8段分解层次的分解与Daubechies 4小波。
2.3.3。信息理论
基于随机信号的特点,介绍了信息熵理论来表示信号的特征信息。熵被认为是一种随机信号的数值测量方法,被广泛用于分析生物电子信号,如脑电图信号。在信息论中,熵得到信号的功能,如下图所示。
谱熵描述了功率谱和熵率之间的关系。计算公式如下所示: 在哪里的功率谱是吗分组的脑电图。
奇异值熵可以反映分布获得信号的分解和转化,从而代表奇异值的能量分布。 在哪里是奇异值分解的部分的价值。
样本熵措施时间序列的复杂性通过测量信号产生新模式的概率。新模式的大概率将收益率序列的高复杂性55]。 在哪里分段信号的维数,相似度阈值,匹配的概率是 分两个分组序列相似性宽容 ,和匹配的概率是分两个分组序列相似性的宽容 。
小波熵可以反映EEG信号的障碍程度和从非平稳的EEG信号中提取节奏。通过小波能量,相对能量EEG信号也获得之间的关系。Kumar等人得到的分类精度为99.75%正常,发作脑电图信号和96.30%发作及发作EEG信号通过结合小波熵特性与递归神经网络的分类(56]。 在哪里的相对小波能量吗subsignal。
香农熵描述EEG信号中包含的信息量。和这个特性的计算主要是对连续时变信号。 在哪里脑电图段的概率是 。 代表的总数量的记录。
摘要46 EEG信号的特征提取,包括31时域特性,10个频域特性,信息理论为每个5特性划分段EEG信号的特征提取过程。表列出了特定的功能2。MATLAB计算功能的源代码上传在网站:https://github.com/chloeqisun/multiViewFS/tree/master。
2.4。分类
之前提取的特征输入到支持向量机训练分类器和获取的数据模型。支持向量机主要依靠两个假设。一是将数据转换为高维空间由一个线性判别函数实现,使得复杂的分类问题简单。另一个是支持向量机使用培训模式决定表面附近。它假定他们可以为分类提供更多有用的信息。本文中使用的分类方法主要包括两个步骤:训练和测试。选择的内核支持向量机的RBF。特征的数量从多视图域获得很大,它是线性不可分的。因此,线性内核是不可用的。此外,为验证,以避免过度拟合训练数据进一步分裂。 The formula for RBF kernel is described as follows: 在哪里是内核的宽度。 是内核函数,基于点的生产两个样品吗和 。
射频是一种整体的机器学习算法的基础学习者是一个决策树。它是基于引导抽样。在细节,如果每个样本的特征维数 ,该算法将指定一个常数 ,这是小于多少 ,和随机选择从子集特性。然后选择最优从这些子集通过修剪树子集。这里的随机性使得算法不容易陷入过度拟合,具有良好的抗噪声能力。每个决策树分类器。对于一个输入示例,决策树会产生结果。射频集成通过投票,所有决策树的分类结果和类得票最多的将被视为最终的输出。射频是简单和容易实现较低的计算开销。与一个决策树相比,它具有更高的准确性和工作效率在大型数据集,这意味着它可以处理数据和高维特征降维。
- - - - - -神经网络是一个监督学习分类算法。给定一个测试样本,该算法找到了最近的训练样本训练集的基于距离度量,然后基于这些信息的预测邻居。通常情况下,该算法采用投票的方法给类的分类结果邻居。
2.5。PSO-Based癫痫检测特征选择算法
功能冗余的现象发生在具有高维度特征提取的计算。出于这个原因,一个PSO-based特征选择算法是为自动癫痫检测而设计的。算法首先火车最初的特性集和选择的子集分类精度最高。然后,获得特征向量输入到分类器进行分类。
PSO是初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每个迭代中,每个粒子更新本身通过跟踪两个极值( , )。找到这两个最优值后,粒子速度更新和位置由以下公式: 在哪里惯性权重,和随机数在吗 。而和正在学习的因素。
|
||||||||||||||||||||||||||||||||||||||||||||
一开始,5倍交叉验证使用,(5 - 1)折叠的训练数据是验证进一步分裂。训练模型然后测试剩下的褶皱为测试来找到最优的特征子集。训练集的比例,验证集和测试集是50%,30%,和20%,分别。
PSO-based特征选择算法分割病人数据集训练,验证集和测试集,为代表 , ,和 ,分别。粒子的数量和吗的最大迭代算法。对于每个粒子,该算法列车当前位置的模型和计算健身按照下列公式: 在哪里和是加权参数。和分类器计算的准确性吗用10倍交叉验证。原始特征尺寸和数量的特征选择算法为代表和 ,分别。
在算法1,当地最优值和全局最优值的更新每个粒子根据方程(10)。然后,该算法更新速度和位置和转到下一次迭代。当达到最大迭代时,算法停止,获得最优的特性集。5倍交叉验证以来,五个特征子集选择。摘要特征子集与最好的测试精度将被选中。最后,分类器使用这个最优的一组特性来评估模型的分类性能。
3所示。实验结果
拟议中的PSO-based癫痫检测特征选择方法是使用MATLAB实现R2020a和PYTHON 3.8戴尔Inspiron 14日,英特尔酷睿i5 8日和RAM 8 g。由于强大的计算能力,在MATLAB环境下实现信号处理获得特征向量。Python是用于训练模型的识别癫痫发作。
绩效评估的方法是基于一些评价指标,包括精度( ),精度( ),灵敏度( ),F1-measure ( ),特异性( ),(阴性预测值 ),和曲线下面积( )。准确性是使用最广泛的性能指标之一,在文学和被定义为在总样本正确分类样本的比例。精度是阳性样本的比例,正确预测。敏感性,也被称为真阳性,是癫痫的比例样本正确分类为癫痫。灵敏度越高,较低的漏检的可能性。 - - - - - -测量综合考虑精度和灵敏度。特异性或真阴性率,是指的比例正确归类为nonseizure nonseizure样本。NPV是衡量结果的完整性。AUC是定义为接受者操作特征(ROC)曲线下的面积。中华民国曲线是基于一系列不同的截止值或阈值并使用作为纵坐标,( )作为横坐标。的可以测量分类器的性能。这些评价指标定义如下: 在哪里(真阳性)的数量样品,预计发作的癫痫,(真阴性)nonseizure样本的数量预计nonseizure,(假阳性)的nonseizure样本数量预计发作,和(假阴性)的发作样本数量预计nonseizure。
拟议中的PSO-based特征选择算法自动癫痫检测可以有效地识别癫痫和nonseizure脑电图信号。在数据预处理阶段,EEG信号处理过滤器只保留频率范围通常用于癫痫的诊断。此外,频带通常用于癫痫的诊断分为四种不同的脑电波。这四种类型的差异识别脑电图的癫痫发作的频带信号进行比较。同时,识别特征选择对癫痫发作的影响也进行了研究。
3.1。PSO-Based特征选择的比较
调查的影响提出PSO-based癫痫检测的分类特征选择,我们研究癫痫检测之前和之后的性能特征选择。从时域特征提取方法获取特征,频域和信息理论脑电图信号。对于每一个频道,共有46个特征提取。在这篇文章中,为每个病人5频道选择,所以功能,为每个病人的数量是230。使用多视图特征向量对每个病人的脑电图信号可以进行分类收集足够的信息。然而,大量的功能可能会导致高计算成本。有时发生和冗余信息,减少分类的性能。因此,PSO-based特征选择算法选择最佳特征子集一定耐心,和影响分类器的分类特征选择比较之前和之后的结果。与此同时,三个分类器也适用于分析分类的性能。结果记录在表3和4。表3显示了分类器分类结果的特征选择。从表中可以看出,大多数病人的准确性是90%以上采用多视图特征提取方法。提取的特征空间真正达到更好的结果。但是由于异质性的EEG信号的患者,在这些患者表现出巨大差异的结果。射频获得更好的结果在这三种分类器根据能反映分类器的性能。射频是一个算法,构建多个决策树分类和选择特性建立决策树的一部分,而不是所有的特性。表4展示了使用PSO-based特征选择后的结果。的平均结果PSO-based特征选择比没有特征选择的特征提取方法。如图3之后,使用PSO-based特征选择算法,分类精度明显改善。支持向量机、射频和 - - - - - -神经网络与PSO-based特征选择精度提高5.99%,0.65%,和4.78%,分别。从图可以看出,PSO-based特征选择算法与支持向量机和一个更好的改进 - - - - - -神经网络。当射频分类器训练模型,它总是随机选择一个功能训练的一部分,并不是所有的功能,它可以被视为一种特征选择方法。因此,分类结果并没有显著提高。但在使用PSO-based特征选择算法,结果的准确性、特异性和灵敏度也明显改善。SVM获得最好的结果在这三种分类器。支持向量机的核函数RBF的缺点是,它很容易overfit。训练数据是进一步分割进行验证,避免过度拟合。该算法实现高灵敏度和20名患者满意的特异性。除了病人3,10、11和14,其他病人的分类精度高于95%,支持向量机分类器,这也验证了算法的有效性癫痫EEG信号检测。
3.2。比较的数量特征
分析功能的数量选择基于PSO算法后,我们为每个病人记录最优特征子集。PSO-based特征选择算法提出了可以减少特征的维数,从而减少了计算时间。原始特征向量的维数 。执行后的特征选择算法,SMV的平均数量特征,射频, - - - - - -神经网络是61、103和98年,分别。图4显示了每个病人特征选择的数量。从图可以看出,特征与特征选择减少的数量。特征选择支持向量机分类器的数量低于RF和 - - - - - -神经网络分类器和支持向量机分类器的分类精度达到也比。因此,癫痫的SVM分类器显示了更好的性能检测方法。特征提取和深加工自动癫痫检测的主要时间。在本文中,为特征提取提供了运行时。对于每个8年代段,表5显示了选中的特性对计算时间的影响。计算特征向量的运行时间是14.71秒的发作没有特征选择检测方法。当该算法找到最优特性,显著地减少计算时间。支持向量机的运行时间是3.93秒,小于射频和 - - - - - -神经网络。这可以看出PSO-based特征选择算法不仅降低特征向量的计算时间也提高分类的准确性。
3.3。比较四种脑电波
检测脑电图信号的详细信息,我们使用多级光谱分析方法研究不同类型的脑电波的影响在癫痫的识别。在数据预处理阶段,过滤器是用于获得四种脑电波在不同的频率范围,包括 , , ,和波。的波是一种脑电波在深度睡眠。的波通常是发现在潜意识状态,出现在童年。和一些成年人经历情绪压力或脑部疾病患者也有这样一个波。的波反映了大脑神经元的节奏在清醒和休息。的波发生在清醒的意识状态,当人们经历压力或焦虑。根据这四种脑电波,脑电图数据首先透过一个带通滤波器。过滤信号的特征提取并用于训练和分类这四种脑电波的提议PSO-based特征选择算法。支持向量机分类器的实验结果如表所示6。的准确性、敏感性和特异性,分类的性能波比其他脑电波和0.01 -32赫兹的频率范围。这些不同的频率成分的auc是97%以上。因此,支持向量机分类器可以是一个有用的工具从这些波识别癫痫。的波达到最佳结果的准确性为98.14%。实验结果表明,该波的频率范围4 - 7赫兹更适合拟议的检测方法。
4所示。讨论
进一步验证该方法的普遍性和有效性,提出癫痫检测方法之间的对比和最先进的方法在文献中给出的表7。可行性的目的,同样的数据库是用于所有实验。关于CHB-MIT数据库,头皮脑电图信号数据和工件对癫痫检测的影响。验证的有效性提出了自动发作长期多通道癫痫EEG信号的检测方法。CHB-MIT数据库用于实验,提出了自动癫痫检测方法被用来自动识别癫痫EEG信号和nonseizure事件。表7提出了特定的绩效评估的结果,并概述了最先进的自动捕获检测方法CHB-MIT数据库,NR表明值不是记录的地方。从结果可以看出,平均敏感性,特异性,和该方法的精度比最近的研究,实现承诺在这个基准数据库性能。
由于实验环境的不同设置,如病人的数量和通道的数量,很难直接比较。考虑的可行性比较,评价结果捕获来自同一基准数据库。Kiranyaz等人多维PSO用于发展集体网络。他们取得了敏感性高于89%,特异性93%以上(57]。Zabihi等人提取的七个特征从十字路口序列重构信号轨迹和获得88.27%的敏感性训练集(25%58]。李等人提出了一个新颖的框架命名CE-stSENet的敏感性,特异性,和准确性分别为92.41%,96.05%,和95.96%,分别为(48]。昌德尔等人应用三元小波分解为抵消和发病检测获得的特性集,取得了较高的分类性能(36]。田等人首先构造多视图的功能,然后使用CNN学习功能。他们获得更高的精度比单一视图和常见的特征提取方法59]。彭等人利用斯坦基于稀疏表示(SR)方法构造脑电图信号对称正定矩阵,和平均精度达到98.21%。它也可以应用于实时检测(49]。陈等人开发了一个框架来搜索最优离散小波变换的设置和获得承诺的性能30.]。江等人收集功能分解的辛几何,和实验结果的平均精度为99.62% (31日]。基于优化的功能在我们的工作中,敏感性、特异性、准确性的数据集的实验评价平均是98.21%,98.57%,和97.85%,分别。他们证实,该方法可以有效地分类长期脑电图信号。哈桑等人提取三个特点通过经验模态分解(EMD)提高识别的性能(38]。
现有的工作很少考虑时间和空间信息的信号和特征选择癫痫检测的影响。这个工作的优点是:(1)足够的从多域特征提取和自动发作可以提高分类的性能检测;(2)一个PSO-based特征选择算法。结果表明,它不仅减少了计算时间,但也提高分类的准确性;(3)我们区分不同类型的脑电波通过多级谱分析。结果证明,该方法适用于浪潮。此外,最优特征选择PSO-based特征选择方法可以提高分类的准确性,因此,特征选择方法在癫痫检测中扮演着关键角色。和这个工作的局限性:(1)发现一个更大的脑电图数据集,其中包含更多的病人。因为我们的模型用来学习各种模式的癫痫发作是不同的,它不能概括的模式在不同的患者。学习是一种有效的方式转移到火车cross-patient模型更大的数据集(2)工件的声音阻止我们存在于原始信号中提取有效的特征。在未来的工作中,将去噪前进行特征选择未来的工作
5。结论
与临床应用,越来越要求自动癫痫检测方法已经成为前沿研究助理神经疾病的诊断。提高分类效率,通道选择方法用于多通道脑电图的减少计算时间。EEG信号的特征提取时域,频域,信息理论来获得足够的EEG信号的信息。然后,一个自动癫痫检测方法通过PSO-based特征选择算法。此外,三个著名的分类器是用来发现癫痫或nonseizure事件脑电图信号。实验结果表明,癫痫检测方法通过PSO-based特征选择提高准确性,特异性,敏感性5.99%,4.75%,和6.56%的SVM分类器,分别。同时,考虑到不同频率成分的EEG信号,信号分为四个脑电波测试和分析不同的组件对癫痫检测的影响。结果表明,节奏的信号更适合拟议的自动检测方法。
数据可用性
公众CHB-MIT数据库提供的波士顿儿童医院使用。它可以在网站中找到:https://physionet.org/physiobank/database/chbmit/。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由国家自然科学基金支持下批准号61871232和研究2021年江苏省大学生创新项目批准号下KYCX21_0718。