采用基于多重分形去趋势波动分析特征的癫痫自动诊断
计算机视觉与模式识别
2017-04-06 v1 适应与自组织系统
混沌动力学
定量方法
其他统计学
摘要
本文报告了一种基于多重分形去趋势波动分析（MFDFA）的新型特征提取技术，用于癫痫的自动检测。在分形几何中，MFDFA 是一种用于分析非线性、混沌和含噪时间序列自相似性的常用技术。在本研究工作中，从现有的可用数据库中获取了代表健康、发作间期（无癫痫发作）和发作期活动（癫痫发作）的脑电（EEG）信号。首先使用 MFDFA 对所获取的不同状态的 EEG 信号进行分析。为了在局部和全局尺度上量化时间序列的奇异性，提出了一组包含十四个不同特征的新颖特征集。采用学生 t 检验进行适当的特征排序，以选择最具统计显著性的特征，随后将其作为支持向量机（SVM）分类器的输入，用于对不同 EEG 信号进行分类。本文提出了八个不同的分类问题，并观察到基于 MFDFA 特征的所有分类问题的总体分类准确率均相当令人满意。与在类似数据集上研究的现有文献中发表的结果相比，所提出方法的性能也表现出相当的竞争力，在某些情况下甚至更好。
引用
@article{arxiv.1704.01297,
title = {Automated Diagnosis of Epilepsy Employing Multifractal Detrended Fluctuation Analysis Based Features},
author = {S Pratiher and S Chatterjee and R Bose},
journal= {arXiv preprint arXiv:1704.01297},
year = {2017}
}
备注
20 pages