利用线性最小二乘预处理检测脑电信号中的癫痫发作
机器学习
2016-04-29 v1 最优化与控制
摘要
癫痫发作是大脑中异常过度神经元放电的瞬态事件。通过检测发作前发生的脑电变化可以阻止这一不良事件。由于脑电图 (EEG) 记录的视觉筛查是一项耗时任务且需要专家以提高诊断准确性，因此自动检测发作是必要的。本文提出了四种基于线性最小二乘的预处理模型，用于提取脑电信号的关键特征以检测发作。其中前两种模型为新开发模型。原始信号 (EEG) 由正弦曲线近似，其振幅由多项式函数形成，并与预先开发的样条函数进行比较。利用分类准确率、真阳性率和真阴性率、假阳性率和假阴性率以及精确度等不同统计指标来评估所提模型的性能。这些指标源自分类器获得的混淆矩阵。在原始数据集和提取的特征集上使用了不同的分类器。所提模型显著降低了分类问题的维数和计算时间，同时在大多数情况下提高了分类准确率。第一和第三种模型是有前景的特征提取方法。Logistic、LazyIB1、LazyIB5 和 J48 是最佳分类器。它们的真阳性率和真阴性率为，而假阳性率和假阴性率为零，相应的精确度值为。数值结果表明，这些模型对于检测癫痫发作具有鲁棒性和高效性。
引用
@article{arxiv.1604.08500,
title = {Detection of epileptic seizure in EEG signals using linear least squares preprocessing},
author = {Z. Roshan Zamir},
journal= {arXiv preprint arXiv:1604.08500},
year = {2016}
}
备注
Biological signal classification, Signal approximation, Feature extraction, Data analysis, Linear least squares problems, EEG Seizure detection