基于小波与机器学习技术的脑电癫痫发作混合自动检测
信号处理
2018-07-30 v1
摘要
癫痫是一种影响大脑与神经系统的神经性疾病。其特征是反复癫痫发作，即脑细胞内一组神经元突然、通常短暂、过度的电放电所引起的身体反应。因此，癫痫发作识别对癫痫患者的临床治疗具有重要意义。脑电图（EEG）是可测量脑电压波动的主要生物标志物之一，EEG 数据分析有助于研究癫痫综合征患者，因为癫痫会在 EEG 信号中留下特征。本文中，对 EEG 信号应用离散小波变换（DWT）进行预处理，将其分解至分解树的第 4 层。针对细节系数与最后分解层的近似系数计算了熵、最小值、最大值、均值、中位数、标准差、方差、偏度、能量与相对波能量（RWE）等多种特征。随后，所提取的特征由三种现代机器学习分类器评估：基于径向基函数的支持向量机（SVMRBF）、k-近邻（KNN）与朴素贝叶斯（NB）。实验结果表明，SVMRBF 对正常受试者数据与癫痫数据取得最高分类准确率（100%）；使用 KNN 与 NB 在正常受试者数据与癫痫数据之间（睁眼与闭眼条件）的对应准确率分别为 99.50% 与 99%。在比较发作间期与发作期数据时，使用 SVMRBF、KNN 与 NB 分类器获得的相似准确率分别为 99%、97.50% 与 98.50%。这些准确率均显著高于已发表的早期结果。
引用
@article{arxiv.1807.10723,
title = {A hybrid automated detection of epileptic seizures in EEG based on wavelet and machine learning techniques},
author = {Asmaa Hamad and Aboul Ella Hassanien and Aly A. Fahmy and Essam H. Houssein},
journal= {arXiv preprint arXiv:1807.10723},
year = {2018}
}