An Efficient Epileptic Seizure Detection Technique using Discrete Wavelet Transform and Machine Learning Classifiers

摘要：提出了一种基于离散小波变换（DWT）和机器学习分类器的癫痫检测方法。这里，DWT被用于特征提取，因为它可以更好地分解不同频带的信号。首先，将离散小波变换应用于脑电信号，提取脑电信号中不同子带的细节系数和近似系数。在提取系数后，对不同的子带进行主成分分析，然后采用特征级融合技术提取低维特征空间中的主要特征。三种分类器名称：支持向量机（SVM）分类器、K-Nearest-Neighbor（KNN）分类器和Naive Bayes（NB）分类器已用于对EEG信号进行分类。提出的方法在波恩数据库上进行了测试，为KNN、SVM、NB分类器提供了最高100%的识别准确率。

Keyword: Electroencephalography (EEG), Discrete wavelet transform (DWT),Principal Component Analysis (PCA), Machine learning classifiers.

1. Introduction

癫痫发作是一种神经系统疾病，可以通过分析大脑神经元产生的脑信号来检测。这可以通过应用EEG来解决，ECoG敏感模式应该通过机器学习和统计特征来识别。脑电图记录大脑的电活动。脑电图记录为搜索复杂的动态大脑反应提供了无创、无痛苦、高效的帮助。诊断产生的不同应用领域通常关注EEG的光谱信息，以控制EEG中可能检测到的这些类型的神经电性能。必须完成滤波器组处理、平均频率和RMS带宽计算、最小二乘支持向量机、模拟性能和讨论[1]。

通过X线、血管造影、脑电图(EEG)、脑磁图(MEEG) CT扫描、超声、单光子发射计算机断层扫描(SPECT)、功能磁共振成像(fMRI)、正电子发射断层扫描(PET)等不同的神经成像技术方法，可以分析和推断人脑发生的电生理事件。为了对这类信号进行分类，已经采用了不同的方法，利用不同的机器学习算法，如神经网络、模糊推理系统、小波、统计方法和少数其他方法。由于电极在一个特殊的采样中串行化，脑电图被记录下来。这里使用一种称为国际10/20系统的通用标准。便宜的方法，并提供大脑活动的连续记录与最佳的比较毫秒解决方案。该工具可以实现高时间解，针对这些原因，已经报道了使用EEG和ERP(事件相关电位)方法的动态认知过程的详细方法发现。数据集、预处理、傅立叶分析、特征提取是处理这一问题的一些方法。基于时域、频域和小波的脑电信号分类特征提取技术已被提出[15-17]。

在其文献综述中，脑电(EEG)信号处理技术应用了临床脑电数据集、基于离散小波变换(DWT)的统计特征提取、主成分分析(PCA)、线性判别分析(LDA)、朴素贝叶斯分类器[4]。A-E中解释的数据集。所有数据集包含24.5S[6]的数百个单通道信号EEG。因此，知识的采样率被计算为174.31秒，获取这个时间序列的过程从0.6hz到86hz。这为40hz低通滤波提供了第一部探索，之后，脑电图记录的A组和B组都是用睁眼和闭眼从五个最佳成分的表面提取出来的。其余两组数据评估了5名不同的致痫区患者（D）。在这里，高大的帐篷布置看到了大脑半球的冲突(C)。在E集合中包含基于提供纠正动作的整个记录站点来选择的入侵现象[7]。整个数据集的记录，A，B已经完成了，就像颅骨过剩一样，C，D，E，像颅内一样[8]。Curvelet变换、B.PCA技术是一些技术[5]。特征选择方法为最小化训练周期所需的时间带来了各种优点，这些方法通过减少处理的数据、减少不正确的数据量--这种类型的数据永久地共享错误决策--从而导致训练方法更快地工作；以及通过清理数据来提高准确的性能程度[20]。

我们可以通过分析大脑神经元产生的大脑信号来发现。神经元以一种艰难的方式相互连接，以连接人体器官并产生信号。脑信号的监测主要是使用脑电图(EEG)和皮层脑电图(ECoG)媒体[9]。

癫痫发作预测、特征提取是计算结果和检测癫痫的方法。提出的长短期记忆(LSTM)分类器以高达96%的准确度将其分类为3种类型的信号。在与发现发作间或仅发作相同的二元分类中，其准确度提高到99%。脑电信号被建模为广义非平稳任意信号。从所有信号中去除Hurst指数和自回归移动平均(ARMA)特征。这样，LSTM架构的两种不同配置:单层存储单元和双层存储单元是相同的构造[10]。

我们可以通过分析大脑神经元产生的脑信号来检测癫痫发作，因为它是一种神经疾病。这可以通过应用脑电图和ECoG来治疗。合理的模式应该通过机器学习和统计特征来识别[9]。癫痫发作诊断和治疗有助于开发自动发作检测系统，并确定具有最高分类率的最佳分类器。通过使用神经网络技术、支持向量机和径向基函数机器学习技术，这可以被简化以帮助神经生理学家，并且为了检测癫痫模式的目的已经分析了EEG数据[2]。

为了检测和预测癫痫发作，对脑电图数据进行了详细的分析和分类。离散小波变换(DWT)、主成分分析(PCA)和线性判别分析(LDA)技术已经用于EEG数据模式。使用K-NN的这些技术已经被证明在结果上有98%到100%的准确性，因此治愈了患者[4]。

目前的工作包含三个主要部分，可分为以下几个部分:第一部分“提出的的方法”详细说明了分类方法的建议。接下来的“数据集描述”说明了我们使用的数据集。最后，在“统计分析”部分完成了整个工作。'' 2提出的的方法图1。脑电信号特征分类框图。

2. Proposed Method

图1。脑电信号特征分类框图

使用DWT来提取特征，因为从提取特征的准确性能来看，这是一个较好的高效的过程，为了确认在以下移动情况下的有效性，之前的一些研究[12][13]证明了这一点。ICA算法是一种常用的统计技术，可用于该领域的信号噪声去除，更具体地说，是EEG信号。我们研究这种基于ICA的技术，以纠正和消除脑电波规划[18][19]中的污染。该技术主要是为了减少周围参数对脑电信号形式的影响。

在工作中，我们从脑电图信号中提出了一种不同的、新颖的癫痫病例建议。

首先，我们取了一些波恩大学的原始脑电图信号，我们的方法分为四个主要步骤:预处理、特征提取、特征选择和分类。

所示方法流程图如图1所示。主要包括四个特征分类模块，分别是离散小波变换(DWT)、特征提取、主成分分析(PCA)和特征分类。我们先读取脑电图信号，然后应用小波变换。通过使用DWT提取特征，再次使用5个级别的特征，如D1, D2, D3, D4, D5, A5。我们使用了图2的第5级分解。

最后，我们得到了第五层分解的最佳结果。我们已经将PCA应用于CA5, CD1, CD2, CD3, CD4和CD5。我们可以使用特征选择。特征提取和选择方法如图3所示。我们在六个波段(CA5, CD1, CD2, CD3, CD4, CD5)和应用PCA。我们提取了主成分的X号。我们被认为是一个50主成分X。然后在五波段上使用最大函数，最后应用分类技术得到特征。

我们使用不同类型的分类器，支持向量机，NB, KNN。分类器是一种利用不同的自变量值(特征)作为输入，并计算与自变量[14]相关的相似类的技术。

3. Result and discussion:

由德国波恩大学癫痫系收集的癫痫数据可免费向公众开放(表1)。

A 五个健康受试者睁着眼睛

B 五名健康受试者闭眼观察、

C 五名癫痫病患者无癫痫症状

D 五个无癫痫状态的癫痫病人，在五个致痫区内

E 五个受试者在癫痫发作期间

整个数据库由EEG信号的5个独立部分组成，这些部分从A到e用符号表示。这里，每个部分包含100个信号，记录时间为23.6秒。为了记录考虑最大精度的数据，作者使用了128个信号通道的系统放大，其中结果在采样率173.61 Hz和12位分辨率的深度下被发现，计算0.50-42带宽的八度。考虑到带通滤波器(12 dB/Oct)[11]的应用。

表2、3和4分别表示K-NN、SVM和NB分类器的不同性能度量。这些表格突出显示了不同绩效指标之间的相对相似性。

从表中可以观察到，在a - e和B-E数据集的情况下，准确率最高，即值为100%。在A-E和B-E数据集的情况下，召回率、准确性和f -度量值均为100%。然而，对于其余的数据集，f -度量值范围从0.950到0.996，召回值范围从95%到99%，然后精度值范围从98.50%到99.50%。K-NN分类器在A-E和B-E数据集上达到了100%的准确率。A-C、A-E和B-E数据集的灵敏度和召回值分别为100%。在使用K-NN分类器时，数据集A-C的召回率和灵敏度值最低，为95.3%。在使用NB分类器的数据集:A-C, A-D, A-E, BD和B-E的情况下，观察到精度和召回值为100%。但在B-C数据集上使用NB分类器的灵敏度和召回值为95.45%。

在使用A5系数的情况下，SVM分类器的分类准确率在99.00 %以内，K-NN分类器的分类准确率在98.50%之间。使用详细的D5系数，在支持向量机和KNN分类器的情况下，分别观察到99%和98.50%的准确率，并已在表2和表3中表示。原生贝叶斯分类器的准确率也达到95%以上。结果表明，不同指标的值以及精密度、灵敏度、特异度、召回率和f测度均有显著性差异。

由此可见，在1 ~ 3 Hz和4 ~ 6 Hz频段内的相对离散小波对脑电模式中睁眼和闭眼状态的分类具有显著性。

4. Conclusion

本文提出了一种从脑电图检测癫痫(正常/癫痫)的新模型。第五层次的DWT用于从原始数据开始的特征的实质化，之后对提取的特征进行了7种不同的统计操作。最后，利用三种机器学习方法对信号进行分类。该方法用于从脑信号对癫痫病例进行分类，与相关研究结果相比具有较高的准确性。在目前的工作中，我们阐述了特征提取和特征选择的意义，以产生有效执行的结果，作为脑电信号分类前的预处理步骤。因此，小波变换对癫痫的诊断是有效而明确的。总体而言，该算法获得了较好的分类精度，并且可以观察到，在脑电信号DWT系数不同的情况下，该算法能够找到输入特征的最佳子集。分类器的性能已经在精度、准确性和召回率方面进行了评估。从实验结果来看，支持向量机在分类上是最有效的。结果也表明NB和KNN产生相近的结果。支持向量机分类器的结果是最高的f测度和精度的数据集。未来的工作可能集中在更大的脑电图数据集上测试该模型，为了获得更满意的结果，也将利用小波变换。

004基于离散小波变换和机器学习分类器的癫痫发作检测技术相关推荐

011小波域和机器学习在脑电信号癫痫发作检测中的应用-2022
On the Use of Wavelet Domain and Machine Learning for the Analysis of Epileptic Seizure Detection fr ...
matlab彩色图添加水印,基于离散小波变换的彩色图像水印算法及其MATLAB实现
随着数字多媒体技术的迅速发展,数字(音频.视频)产品的传播日益简单化(利用Internet),其复制后质量几乎不受影响,这就使得版权纠纷问题急剧上升.基于这个原因,人们开始寻找一种能更好地控制非法使用 ...
基于离散小波变换 (DWT)的图像信息隐藏算法
离散小波变换 (DWT) 是一种常用于图像信息隐藏的算法.这种算法通过将图像进行小波变换来隐藏信息.在这个过程中,图像被分成不同的尺度和方向的部分,称为小波系数. 具体来说, 首先将图像进行小波分解, ...
019基于脑电图信号和CNN的癫痫发作检测2018
根据世界卫生组织的数据,癫痫是一种神经系统疾病,影响着大约5000万人.虽然脑电图(EEG)在癫痫患者的大脑活动监测和癫痫诊断中发挥着重要作用,但需要专家对所有脑电图记录进行分析,以检测癫痫活动.这种 ...
基于深度学习的CT图像肺结节自动检测技术三—肺有效区域提取
开发环境 jupyter notebook/pycharm # 肺有效区域提取 import SimpleITK from scipy import ndimage as ndi from skima ...
【语音隐藏】基于matlab小波变换DWT结合离散余弦变换DCT音频数字水印嵌入提取【含Matlab源码 2131期】
⛄一.离散小波变换的音频信号数字水印技术简介 0 引言近年来, 数字水印技术的作用越来越重要.数字水印技术是将一些标识信息直接嵌入数字载体当中, 或间接表示在信号载体中, 且不影响原载体的使用价值. ...
[系统安全] 三十三.恶意代码检测(3)基于机器学习的恶意代码检测技术
您可能之前看到过我写的类似文章,为什么还要重复撰写呢?只是想更好地帮助初学者了解病毒逆向分析和系统安全,更加成体系且不破坏之前的系列.因此,我重新开设了这个专栏,准备系统整理和深入学习系统安全.逆向分 ...
基于EEG的癫痫自动检测: 综述与展望
目录摘要 1. 癫痫自动检测流程 1.1 数据采集与输入 1.2 数据预处理 1.3 特征提取与选择 1.4 分类模型学习与评估 2. 癫痫自动检测中的特征 2.1 时域特征 2.2 频域特征 2. ...
005基于Hilbert振动分解的神经网络癫痫发作预测-2020
Hilbert Vibration Decomposition-based epileptic seizure prediction with neural network A B S T R A C ...

004基于离散小波变换和机器学习分类器的癫痫发作检测技术