新型癫痫发作检测技术及其实证分析
摘要
脑电图 (Electroencephalogram, EEG) 是一种记录大脑电活动的非侵入性检查，用于辅助诊断包括各类脑问题在内的疾病。EEG 信号被用于癫痫检测，结合离散小波变换 (Discrete Wavelet Transform, DWT) 与机器学习分类器实现癫痫检测。在癫痫发作检测中，主要使用机器学习分类器与统计特征。EEG 信号中的隐藏信息有助于检测影响大脑的疾病。有时在时域和频域中识别 EEG 的微小变化较为困难。DWT 可对信号在不同频带进行合适的分解与特征提取。我们采用三重降维算法：主成分分析 (Principal Component Analysis, PCA)、独立成分分析 (Independent Component Analysis, ICA) 和线性判别分析 (Linear Discriminant Analysis, LDA)。最后，利用融合规则选择特征，并在最后一步单独使用三种不同分类器——支持向量机 (Support Vector Machine, SVM)、朴素贝叶斯 (Naive Bayes, NB) 和 K 近邻 (K-Nearest-Neighbor, KNN) 进行分类。所提框架在 Bonn 数据集上测试。仿真结果显示 LDA 与 NB 组合达到 100% 准确率，优于其他分类器组合，包括 LDA+SVM 的 89.17%、LDA+KNN 的 80.42%、PCA+NB 的 89.92%、PCA+SVM 的 85.58%、PCA+KNN 的 80.42%、ICA+NB 的 82.33%、ICA+SVM 的 90.42%、ICA+KNN 的 90%。此外，LDA 与 NB 组合展现出的灵敏度、特异度、准确率、精确率与召回率均为 100%。结果证明了该模型的有效性。
引用
@article{arxiv.2302.12012,
title = {Novel Epileptic Seizure Detection Techniques and their Empirical Analysis},
author = {Rabel Guharoy and Nanda Dulal Jana and Suparna Biswas and Lalit Garg},
journal= {arXiv preprint arXiv:2302.12012},
year = {2024}
}