癫痫脑电信号分类：基于小波变换和样本熵的特征分析

该文探讨了初步设计计算在癫痫脑电信号分类中的应用，主要涉及特征提取、小波变换、样本熵计算以及机器学习算法的选择。通过离散小波变换(DWT)分析脑电信号，选取标准差和样本熵作为特征，使用支持向量机(SVM)、K最近邻(KNN)和决策树(DT)作为分类算法，并以准确度、灵敏度和特异度为评估指标。 文章首先介绍了特征选取的过程。参考了肖文卿等人的研究，使用小鼠脑电信号的小波系数标准差来区分正常和癫痫状态。同时，借鉴CheolSeungYoo的研究，利用样本熵来反映癫痫发作前后的脑电信号变化，这也成为分类的另一个关键特征。 方案确定部分，研究者计划对脑电信号进行DWT，提取不同频段的小波系数，计算标准差和样本熵。然后，通过比较这些特征的差异，选择最有区分度的作为分类输入。分类任务分为单一属性的二分类和多属性的二分类，前者每个属性单独作为输入，后者则组合成特征向量矩阵。 在机器学习算法选择上，研究选择了SVM、KNN和DT这三种在MATLAB环境中实现的方法。这些算法在处理分类问题时各有优势，将用于评估和比较它们在癫痫脑电信号分类中的性能。为了衡量分类效果，论文采用的评价指标包括准确度（accuracy）、灵敏度（sensitivity）和特异度（specificity），这些指标综合反映了分类器在识别癫痫和非癫痫状态时的准确程度。 初步设计阶段，数据集来自波恩大学电信中心，包含五组数据，A、B两组为健康志愿者的正常脑电信号，C、D两组是癫痫患者发作间期的信号，E组记录了癫痫发作时的信号。因此，研究设计了四种二分类情况：AvsE、BvsE、CvsE和DvsE。每组数据包含100个23.6秒的脑电片段，采样率为173.61Hz。 总结来说，这个研究结合了小波分析、样本熵计算和机器学习技术，旨在通过MATLAB平台开发一个癫痫脑电信号分类系统，为临床诊断提供科学依据。通过对比不同特征和分类算法的性能，有望找到最有效的分类策略，提高癫痫检测的准确性和效率。