基于 EEG 信号与机器学习的癫痫发作类型分类：建立基准

Subhrajit Roy; Umar Asif; Jianbin Tang; Stefan Harrer

基于 EEG 信号与机器学习的癫痫发作类型分类：建立基准

机器学习 2020-08-13 v2 定量方法机器学习

作者: Subhrajit Roy , Umar Asif , Jianbin Tang , Stefan Harrer

摘要

准确分类癫痫发作类型在癫痫患者的治疗与疾病管理中起着关键作用。癫痫发作类型不仅影响药物选择，也影响患者可安全参与的活动范围。随着近期人工智能赋能的自动癫痫检测取得进展，下一个前沿是癫痫发作类型的自动分类。就此，本文中我们探索机器学习算法在多类癫痫发作类型分类中的应用。我们使用最近发布的 TUH EEG 癫痫语料库（V1.4.0 和 V1.5.2），并进行了彻底的搜索空间探索，以评估多种预处理技术、机器学习算法及相应超参数组合在该任务上的性能。我们表明，我们的算法在基于发作的交叉验证中加权 $F1$ 分数可达 0.901，在基于患者的交叉验证中可达 0.561，从而为基于头皮 EEG 的多类癫痫发作类型分类建立了基准。

关键词

癫痫发作类型分类 EEG 信号机器学习 TUH EEG 癫痫语料库交叉验证基准多类分类

引用

@article{arxiv.1902.01012,
  title  = {Seizure Type Classification using EEG signals and Machine Learning: Setting a benchmark},
  author = {Subhrajit Roy and Umar Asif and Jianbin Tang and Stefan Harrer},
  journal= {arXiv preprint arXiv:1902.01012},
  year   = {2020}
}

备注

5 pages, 2 figure, 4 table

基于 EEG 信号与机器学习的癫痫发作类型分类：建立基准

摘要

关键词

引用

备注

相关论文