基于Jacobi多项式变换的EEG癫痫检测与眼状态识别系统

本文主要探讨了利用Jacobi多项式变换（JPT）在医学信息学领域中的应用，特别是针对癫痫发作检测和眼状态识别的脑电图（EEG）信号分类技术。癫痫作为一种常见的神经系统疾病，对患者的生活质量造成严重影响。因此，开发自动化的分析系统对于早期诊断和干预具有重要意义。 文章的核心研究方法是构建一个基于JPT的模型，该模型首先通过离散Legendre变换（DLT）和离散Chebychev变换（DChT）对EEG信号进行预处理，重点提取β（β）和γ（γ）频率范围内的脑电活动。这两个变换能够有效地提取信号中的关键特征，减少噪声干扰，提高信号的可解读性。 接下来，作者计算了不同测量指标的复杂性，这些指标可能是信号的频谱特性、时域特性或两者结合的结果。这些复杂度指标被用作最小二乘支持向量机（LS-SVM）分类器的输入。LS-SVM是一种强大的机器学习算法，它在处理非线性问题和高维数据时表现出色，对于 EEG 数据的分类任务尤为适用。 LS-SVM分类器采用了径向基函数（Radial Basis Function，RBF），这是一种常用的核函数，它能将原始数据映射到高维空间，使得线性不可分的问题在新的空间中变得可分。通过这种方式，模型能够区分癫痫发作、非癫痫状态以及正常人眼睛开闭的不同脑电模式。 本文的目标是通过这个新的自动分类系统，提升癫痫发作的检测准确性和眼状态的识别能力，为潜在的眼-脑-机接口应用提供基础，以及为设计植入式设备，如能够实时监测并响应癫痫发作的装置，提供技术支持。这种集成系统有望改善患者的治疗效果和生活质量，进一步推动医学信息学在神经科学领域的实际应用。