基于广义高斯建模线性分类器 Pearson 积矩相关系数的癫痫发作预测
应用统计
2020-06-03 v1 机器学习
摘要
预测癫痫事件意味着能够以尽可能高的准确率提前确定发作的时间。临床应用中癫痫事件正确的预测基准是生物医学信号处理中的典型问题，有助于对该疾病进行适当的诊断和治疗。在这项工作中，我们使用来自广义高斯分布参数的 Pearson 积矩相关系数，结合基于线性的分类器，来预测癫痫脑电信号中的发作与非发作事件。对 9 名患者的 36 次癫痫事件的性能表现良好，所有脑节律中发作事件敏感度达到 100% 的有效性，且特异度大于 83%。Pearson 检验表明，所有脑节律在非发作事件中高度相关，但在发作事件期间则不然。这表明我们的模型可以通过 Pearson 积矩相关系数进行扩展，用于癫痫发作的检测。
引用
@article{arxiv.2006.01359,
title = {Epileptic seizure prediction using Pearson's product-moment correlation coefficient of a linear classifier from generalized Gaussian modeling},
author = {Antonio Quintero-Rincon and Carlos D'Giano and Marcelo Risk},
journal= {arXiv preprint arXiv:2006.01359},
year = {2020}
}
备注
8 pages, 5 figures, 3 tables, manuscript in spanish