基于小波变换和人工神经网络的癫痫检测新方法-FIR滤波和序列窗算法

软计算快报3（2021）100026基于小波变换、人工神经网络和序列窗算法Rógra Nath Bairagi*，Md Maniruzzaman，Suriya Pervin，Alok Sarker孟加拉国库尔纳9208，Gollamari，Sher-E-Bangla路，库尔纳大学，ECE学科，Rampira Nath BairagiA R T I C L EI N FO保留字：人工神经网络离散小波变换脑电信号分类假阳性率癫痫检测序贯窗算法A B标准本研究描述了一种针对患者的新的系统方法，用于从原始脑电图（EEG）信号中自动检测癫痫发作。首先采用频率范围为0.5 ~ 40 Hz的带通有限冲激响应（FIR）滤波器对原始脑电信号进行滤波处理，以消除混合在原始脑电信号中的各种伪影和噪声。由于脑电信号本质上是一种高度非线性、非平稳的信号，因此采用离散小波变换（DWT）对信号进行时频分析。采用db6母小波进行四层分解的离散小波变换进行特征提取。一个新的特征集，由11个非线性统计特征提取的每个子带由于小波分解，然后送入人工神经网络（ANN）的输入，以准确地分类信号。最后，本文提出了一种新的算法--序列窗口算法来提高分类性能.该方法的平均分类准确率为99.44%，平均灵敏度为80.66%，平均延迟为4.12 s，平均假阳性率为0.2%。这项研究成功地减少了延迟时间，具有更高的准确性和显著低的FPR。1. 介绍癫痫是一个非常令人担忧的问题，因为它可能导致患者严重受伤和死亡[1-3]。据世界卫生组织（WHO）统计，全球约有0.6- 0.8%的人口，即近5000万人患有癫痫，其中近80%生活在中低收入国家[4]。如果能够确保良好的诊断和治疗，那么预计最多70%的癫痫患者可以在没有癫痫发作的情况下生存。但对其他癫痫患者缺乏足够的治疗[2，5]。癫痫发作的识别是非常关键的。传统的临床操作对癫痫发作的检测存在一定的缺陷。首先，神经生理学家通过长时间连续监测来诊断视觉记录的大量脑电图（EEG）信号，这浪费时间，有时是无聊的，并且可能导致错误概率的增加。其次，生物信号是非常主观的，因此在癫痫发作信号的分析过程中，医生之间很有可能存在分歧。因此，一种能够以可靠的准确性自动诊断癫痫发作的方法具有重要意义[6，7]。脑电信号是一种很好的自动识别诊断工具癫痫的症状这种类型的信号的特征是复杂的、非线性的和非平稳的。因此，在时频域中分析该信号是方便的，并且小波变换（WT）经常用于此目的[3，6，8 - 10]以提取特征。在特征提取之后，需要专家分类器。不同类型的神经网络，例如人工神经网络（ANN）、概率神经网络、小波神经网络、递归神经网络和卷积神经网络，由于其能够发现EEG记录的快速变化之间的关系、容错特性、巨大的并行处理能力和自适应学习能力，已被广泛用于检测癫痫发作[10最近关于从EEG信号自动检测癫痫发作的工作集中在患者特定的预测器上，其中分类器在同一个人的记录上进行训练和测试[14-16]。在文献中可以看到最近使用波士顿儿童医院-麻省理工学院（CHB-MIT）头皮EEG数据库[ 17，18 ]进行癫痫发作检测的一些研究。2014年，Kiranyaz等人[14]推荐了一种患者特异性癫痫发作检测模型。他们对21名患者进行了实验，排除了具有共同18个通道的数据库中患者#6、12和16的数据，并从2010年收集了平均不到2分钟的癫痫发作数据和24分钟的非癫痫发作数据。* 通讯作者。电子邮件地址：rameneceku@gmail.com（R. Nath Bairagi）。https://doi.org/10.1016/j.socl.2021.100026接收日期：2021年7月16日;接收日期：2021年9月10日;接受日期：2021年在线预订2021年2666-2221/©2021的作者。发表通过ElsevierB.V.这是一个开放接入文章下的CCby-NC-ND许 可 证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表软计算快报杂志首页：www.sciencedirect.com/journal/soft-computing-lettersR. Nath Bairagi等人软计算快报3（2021）1000262图1.一、整个研究的工作流程图。每一个病人。他们将信号分成不重叠的1s段。为了去除生理和电噪声和伪影，他们使用了具有Parks-McClellan算法的0.5-30 Hz频率范围之间的线性相位带通FIR滤波器。提取了形态、时域、频域、时频域和非线性梅尔倒谱系数（MFCC）特征。采用多维粒子群优化算法（PSO）、二进制分类器集合网络（CNBC）集成和支持向量机（SVM）分类器进行性能测试。2015年，Fergus等人[15]还提出了一种患者特异性癫痫发作检测模型，其中他们使用了24名患者的常见23通道记录，但仅使用了198个癫痫发作文件中的171个。他们组成 每个发作文件60 s数据块和从非发作信号中随机提取的171个非发作数据块。在预处理阶段，在delta、theta、alpha和beta频率范围之间使用二阶Butterworth带通滤波器。他们在时域和频域中提取了总共20个特征;并进行傅立叶变换以提取频域特征。 采用线性判别、二次判别、不相关正态密度分类、多项式、逻辑、k类最近邻分类器（KNNC）、决策树、Parzen和SVM等分类器对信号进行2018年，Harpale和Bairagi[19]提出了一种非患者特异性的癫痫发作检测模型他们使用22名患者 是 使用 进行测试。 独立分量分析（ICA）技术被用来从原始EEG信号中去除伪影。利用连续小波变换（CWT），从小波系数中提取时频特征：均值、方差、变异系数、均方根（RMS）、峰度、功率谱密度（PSD），并对这些特征值进行平均，得到最终的特征值。最后将这些特征分为三类：正常信号、癫痫发作前信号（癫痫发作前30 s的信号）和癫痫发作信号。将上述时频特征作为模糊分类器的f1特征向量，利用训练样本中的单通道发作模式构造2019年，Jiang等人[16]提出了一种使用冗余去除双树离散小波变换（DWT）和SVM分类器的患者特异性发作检测模型。他们使用了198次发作中的181次，这些发作具有共同的23个通道，并将记录的数据分为30 s段。对于每个癫痫发作病例，他们仅使用一个30 s片段，并将发作间期数据随机下采样至发作和发作间期数据之间的1：3比例。提取了能量和改进的多尺度熵特征。他们为每个片段提取了总共2254维特征向量。因此，这些特征包含大量的冗余信息，因此，通过全局冗余最小化（AGRM）算法的自动加权特征选择已被用来选择的特征，以及删除冗余信息。最后，选择了50个主要特征进行训练和测试。然后使用SVM分类器对数据进行2019年，Mandarin et al.[20]对患者进行非特异性相同的数据库，但他们只集中在年龄范围4图二. EEG信号的图形表示（a）无发作期和（b）发作期。R. Nath Bairagi等人软计算快报3（2021）1000263表1（续）数据集的描述，包括训练和测试数据集。PN1/年龄训练测试PN1/G1年龄训练测试G1记录名称SN1SD1记录名称SN1SD1记录名称SN1SD1记录名称SN1SD1chb21_19，chb21_21，1/F11chb01_03，chb01_04，chb01_15，chb01_164 158chb01_18、chb01_21、chb01_263 284chb21_20chb22_25chb21_222/M 11chb02_16、chb02_1914 chb03_01，2 91 chb02_16+ 1 813/Fchb03_02、chb03_03、chb03_04、chb03_345 285chb03_35，chb03_362 1174/M 22 chb04_05，2 160 chb04_28 2 2181例患者编号（PN）、性别（G）、发作次数（SN）和发作持续时间五楼七层chb04_08chb05_06，chb05_13，chb05_163 321chb05_17，chb05_222 237（SD）。6/F15chb06_01，chb06_04，chb06_097楼14.5chb07_12，chb07_198/M 3.5 chb08_02，chb08_05，chb08_21chb09_19chb11_99212/F313/F14/F 96 100chb06_10、chb06_13、chb06_18、chb06_242 229 chb07_133625chb08_11、chb08_1324 531 962 29421岁，因此，他们排除了患者#4、6、10、12和13，除了患者#8（3.5岁）。他们将信号分为10 s的epoch，其中5 s重叠，并进行预处理，以消除每个epoch的DC偏移和60 Hz电源线噪声。使用快速傅里叶变换（FFT），他们将每个历元分解为五个频带，并从每个历元的FFT系数计算感兴趣频带（PBI）的功率。他们根据三个时期块中的PBI值计算自适应阈值，以确定当前时期是否是发作期。如果PBI值大于自适应阈值，则当前历元为发作。然后，他们设计了一个距离网络（DN）来确定癫痫发作在大脑中的传播技术，但为了定位癫痫发作在大脑中的病灶，他们设计了相关网络（CN）。在 这 研究， 我们 开发了一种病人专用电脑辅助模型，将自动和更准确地检测癫痫发作。采用FIR滤波器、小波变换、人工神经网络和最新提出的序贯窗算法（SWA）等方法建立了模型。业绩是使用统计参数适当衡量的。2. 材料和方法本研究的工作流程如图1所示，然后依次描述步骤如下。15/M 16chb14_11chb15_06，chb15_10，chb15_46chb15_49，2.1. EEG数据实验数据库收集自波士顿-麻省理工学院儿童该数据库由22名儿童患者（5名男性和17名女性）记录的顽固性癫痫发作的EEG记录组成。所有信号的采样率为每秒256个样本，分辨率为16位。用于记录国际信号使用1016/F7chb16_10、chb16_11、chb16_14、chb16_1617/F 12 chb17a_03，使用不同的通道配置来记录信号，但在大多数情况下使用23通道配置。大多数记录是1小时长，但也有一些记录是2，3和4小时长。包含扣押的记录称为扣押记录，不包含扣押的记录称为扣押记录。22/F9chb22_20，2132chb22_3817223楼6chb23_094244chb23_06，3180chb23_0824/--chb24_01，10303chb24_07，6208chb24_03，chb24_09，chb24_04，chb24_13，chb24_06，chb24_15，chb24_11，chb24_17，chb24_14chb24_21chb15_15，111267chb15_52，9725chb15_17，chb15_54，chb15_20，chb15_62chb15_22，chb15_28，chb15_31，chb15_40，chb09_06，126chb09_082150chb10_12，4228chb10_31，3219chb10_20，chb10_38，chb10_27，chb10_89chb10_301752chb11_82，254chb11_92chb12_06，chb12_10，chb12_08，15475chb12_11，12514chb12_09，chb12_23，chb12_33，chb12_36，chb12_38chb12_42chb13_19，chb13_58，chb13_21，7309chb13_60，5226chb13_40，chb13_55，chb13_62chb13_59chb14_03，5111chb14_17，358chb14_04，chb14_18，chb14_06，chb14_279/F1010/M3十一楼12R. Nath Bairagi等人软计算快报3（2021）100026418楼chb17a_04chb18_29，chb18_30，3 148chb18_32，chb18_35，3 169叫做非扣押记录数据库中共有676条记录其中有一百四十一宗检获纪录。在141次发作记录中，发作次数为198次，发作持续时间为11621 s.典型的非癫痫发作19楼chb18_31chb19_28，chb19_292155chb18_36chb19_301 81从1秒到5秒的信号和从3010秒到3015秒的癫痫发作信号如图所示。来自记录#chb01_03的2例患者#1，持续23天20/F 6 chb20_12，chb20_13，4 136 chb20_15，chb20_16，4 168渠道在这 研究，我们使用 只有 扣押记录 被21楼13层chb20_142106chb20_682 93使用这些常见的23个通道记录：FP 1-F7、F7-T7、T7-P7、P7-O 1、FP1-F3、F3-C3、C3-P3、P3-O 1、FP 2-F4、F4-C4、C4-P4、P4-O2、FP 2-F8、F8-T8、T8-P8、P8-O2、FZ-CZ、CZ-PZ、P7-T7、T7-FT 9、FT 9-FT10、FT 10-T8438chb16_174312205chb17b_63188R. Nath Bairagi等人软计算快报3（2021）1000265N-1=1=0能量（E）：（5）E=|X|我=N-1=1=0N-1=1=0S=Hz [22，23]。有趣的是，大多数大脑活动发生在3到i=0N图三. 原始和过滤的EEG信号。表2分解层次系数及其频率范围。等级#系数矢量频率范围（Hz）1 D1 64-1282 D2 32-643 D3 16-324 D4 8-164 A4 0-8Windows[6]。众所周知，与连续小波变换相比，小波变换提供了一个更灵活的时频窗函数，当观察高频信息时，它会变窄，当分析低频分辨率时，它会变宽。它是通过使用连续的低通和高通滤波将信号分解为粗略估计和细节信息来实现的[7]。低通滤波器产生粗略的近似系数，而高通滤波器输出细节系数。系数的大小的 评价系数 和细节见图4。23个通道数据在划分为1 s历元后的平均值：（a）1 s历元和（b）其频谱。T8-P8在141条癫痫发作记录中，使用不同通道配置记录了4条记录（chb12_27、chb12_28、chb12_29和chb16_18）。因此，我们排除了这4条记录。总共使用了137个癫痫发作记录，其中80个癫痫发作记录（持续时间5565 s）和57个癫痫发作记录（持续时间5555 s）分别用于测试和培训。表1简要概述了研究中使用的数据库以及培训和测试数据2.2. 脑电信号不同类型的伪影，例如：眨眼、肌肉运动、EEG传感器的运动、电力线干扰、环境等，可以在记录时与EEG信号结合因此，它是系数在每次连续分解时减小2倍。在每一步频率分辨率加倍和时间分辨率减半下采样。选择合适的分解层数对离散小波变换是很重要的。对于EEG信号分析，可以基于其主频率分量直接确定分解级别的数量，并且级别的数量以这样的方式选择，即与EEG信号分类所需的频率良好相关的信号部分保留在小波系数中[1，13，25]。在这项工作中，四个层次的小波分解已被使用db6母小波函数。四级分解的结果是四个细节系数D1、D2、D3和D4，以及一个近似系数A4，如表2所示。为了理解小波分解是如何工作的，图5中还显示了图形演示因此，D1，D2，D3，D4和A4系数用于提取特征。2.4. 特征提取采用最小值、最大值、均值、方差、能量、对数熵能量、分形维数、峰度、偏度、中值、四分位数间距等11个有意义的特征对癫痫发作进行分类。最小值（min）：min=Xmin（1）最大值（max）：max=Xmax（2）必要 到 删除这些 伪影 从 原始脑电信号 为从信号中提取实际特征。高通、低通、带通和陷波滤波器通常用于基于以下来去除这些伪影：平均值（μ）：μ方差（σ2）：σ∑ N-1Xi∑N-1 |Xi-μ|2=-（三）（四）伪影 主观和主观电伪影几乎不超过50 Hz[21]，仪器伪影也2我 0N-1我 0对数熵能（Elogg）：Elog =∑N-1log（Xi2）（6）很少超过30分形维数（FD）：FD∑N-1 |Xi+1-Xi|（七）29 Hz [23，24]。此外，低于0.5赫兹，没有大脑活动发生[21]第20段。实际上，低于0.5Hz的信号指示运动或其他电峰度（K）：K四阶矩=第二时刻2（八）活动[15]。因此，在本研究中，首先，使用带通有限脉冲响应（FIR）滤波器进行滤波，其中较低二阶矩（SM）：SM三阶矩（TM）：TM∑N-1（Xi-μ）2∑N-1（Xi-μ）3=（九）（十）截止频率为0.5 Hz，较高截止频率为40 Hz。为我 0N-1例如：Fig. 对于1 s的原始EEG信号和滤波EEG信号，数据，该1 s数据是从FP 1-F7通道的2 s至3 s数据中采集的四阶矩（FM）：FM∑N-1（Xi-μ）4（十一）患者#1和记录#chb01_03。其次，滤波后的脑电信号然后对于所有23个通道被划分为1秒时期。最后，计算所有23个通道数据的平均值，如图所示。 四、偏度（S）：三阶矩二阶矩3/ 2中值（M）：当N为奇数时，M=XN+12（十二）（十三）当N为偶数时，M=1XN+X（N）2.3. 离散小波变换小波变换将信号分解为一组系数，称为小波系数。它提供了精确的频率和时间的信息，在低和高频率，由于其适用于使用可变的大小2个2+1个四分位数间距（IQR）：IQR=Q3-Q1（14）这里，Xmin、Xmax、Xi和N是最小值、最大值，i=0时=1=R. Nath Bairagi等人软计算快报3（2021）1000266图五. 用db6小波进行第四级小波分解的图示。第i个样本值和数据集X的总样本同样，Q1和Q3分别被定义为第一和第三四分位数这11个统计特征是从每个分解系数中提取的。因此，55个特征，从D1，D2，D3，D4和A4子总的来说是提取的2.5. 识别现在，我们需要一个专家分类器来分类信号的基础上提取的特征分解系数。分类器有SVM、KNN、ANN等，本文选择ANN分类器，因为它具有运算速度快、易于实现、学习和泛化能力强等优点。它的工作过程类似于人类的认知过程。人工神经网络是一种专家机器学习信息处理系统，由许多称为节点的计算神经单元组成，这些单元相互连接。通过调整权重来训练网络，权重是连接节点之间的链接，并且基于成本函数来产生期望的输出。为了训练网络，训练算法是模型开发的一个组成部分。一个合适的拓扑结构可能仍然无法给出一个更好的模型，除非通过合适的训练算法进行训练。一个好的训练算法会缩短训练时间，同时达到更好的精度。事实上，训练过程是ANN的一个重要特征，其中知识的代表性示例被迭代地呈现给网络，以便它可以将这些知识整合到其结构中[1，3，5，7，9，12，13]。据悉，Levenberg-Marquardt（LM）算法是目前训练速度最快的方法表31号患者记录chb01_18的ANN分类器输出中等规模的前馈神经网络（多达几百个权重）。LM算法结合了梯度下降（GD）和高斯-牛顿法的优点[26，27]。在这项研究中，我们设计了55个输入节点的人工神经网络，因为我们已经从五个子带和一个单一的隐藏层与55个隐藏节点提取了55个特征向量。为了选择隐藏层节点，我们用不同数量的隐藏节点优化了我们的网络。 最好的分类精度是使用55个隐藏节点。切线sigmoid激活函数用于隐藏层输出。对于分类问题，目标输出0设置为无癫痫发作数据集，1设置为癫痫发作数据集。我们的网络使用训练数据集进行训练，直到达到最佳性能。然后利用训练好的网络对测试数据集进行分类，并通过统计参数来衡量分类2.6. 序贯窗算法在对历元进行人工神经网络分类后，由于不同的伪影和噪声，一些历元分类错误。例如：考虑患者#1的记录#chb01_18的ANN输出，如表3所示，其中从1724到1799 s的时期表现出不规则模式，例如，四个连续时期是癫痫发作（1724-实际上，这种结果是不期望的，并且这种非线性特性增加了错误检测率（FDR）。因此，分析所有24个时间1 2 3输出0 0 0 0 1 1 1 0时间1729 1730 1731 1732输出0 1 0 1 1 0 1 0 1时间1764 1765 1766 1767 1768 1769 1770 1771 1772输出1 0 1 1 1 0 1 0 1时间1773 1774 1775 1776 1777 1778 1779 1780 1781输出1 1 1 0 1 1 1 0时间1782 1783 1784输出1 0 1 1 1 0 1 0 0时间2205 2206 2233 2234 2235输出1 0 0 1 0 0 1 0 0R. Nath Bairagi等人软计算快报3（2021）1000267×==+=+================+===+==+==+==+=+==+=======+=+===× ====+==+=======+=+=====见图6。 执行滑动窗口算法的基础。患者测试记录，我们开发了一种算法，可以提高FDR以及敏感性和特异性。此外，使假阳性率（FPR）为零或接近零是主要目标。该算法分11个步骤完成，共有9个滑动窗口依次工作。每个步骤窗口在记录滑动的整个持续时间期间在1秒之后执行，并且更新检测率，如图6所示，在此之后，下一个步骤窗口将执行，等等。根据模式选择窗口长度。首先，在步骤3中，为了改进后续的模式在第4步中，制作了一个6 s的滑动窗口，以更新以下模式1 0 1“或0 0 1“，并将模式转换为在步骤5，为了去除已经被检测为发作但没有发作的单个时期在检测到的癫痫发作时期之前或之后的时期，即模式在步骤6，我们再次制作了5 s滑动窗口，用于选择模式并将模式更新为在步骤7，为了选择以下模式0 0 1 1“或或将模式转换为在步骤8中，我们开发了8 s滑动窗口，并选择第一个和最后一个epoch值必须为“1”且总共包含4个epoch值为“1”的模式然后转换所有epochs值选择的窗口为在步骤9，为了去除已经被检测为癫痫发作的连续四个时期，我们制作了5 s滑动窗口用于选择模式模式为在步骤10，制作11 s滑动窗口以选择第一个和最后一个历元值必须为“1”并且包含总共3个值为“1”的历元的那些模式 0 0 0 0 0 0 0 0 1“，然后将所选模式转换为1 1 1 1 1′。最后，在步骤11，为了去除已经被检测为癫痫发作的连续九个时期，我们开发了一个10 s滑动窗口，选择模式对于模式“1 1 1 1 1 1 1 1 1 1 0”或“0 1 1 1 1 1 1 1 1 1 1 1”，其他情况不变我们将模式转换为'0 0 0 0 0 0 00演算法：(1) 计算测试记录的epoch长度(2) 创建一个名为“outAnn“的数组，其大小为（r1）利用神经网络分类器对所有历元的检测值进行(3) 使用以下步骤制作5秒滑动窗口：a初始化一个变量c0来计算1的个数。b从i1到（r-4）做一个循环，每次增加1。c检查是否outAnn（i，1）1和outAnn（i4，1）1，如果是，那么i做一个循环j i到（i4），每次增加1。ii检查是否outAnn（j，1）1，如果是，则cc1。3.结束循环。iv检查是否c3，如果是，则1做一个循环ki到（i3），每次增加1。（k，1）求出了一个函数。3结束循环。d设定c0。e结束循环。(4) 使用以下步骤制作6 s滑动窗口：a Setc0.b从i1到（r-5）做一个循环，每次增加1。c检查是否outAnn（i，1）1和outAnn（i5，1）1，如果是，那么i做一个循环j i到（i5），每次增加1。ii检查是否outAnn（j，1）1，如果是，则cc1。3.结束循环。iv检查是否为c 4，如果是，则1做一个循环ki到（i4），每次增加1。（k，1）求出了一个函数。3结束循环。d设定c0。e结束循环。(5) 使用以下步骤制作2 s滑动窗口：a初始化另一个数组，即b从i1到（r-1）做一个循环，每次增加1。c检查是否outAnn（i，1）1和outAnn（i1，1）1，如果是，那么i做一个循环j i到（i1），每次增加1。ii检查是否outAnn（j，1）1，如果是，则cc1。3.结束循环。iv检查是否为c 2，如果是，则1做一个循环ki到（i1），每次增加1。2设置Ann2（k，1）1.3结束循环。d设定c0。e结束循环。(6) 再次使5 s滑动窗口使用以下步骤：a设置c0.b从i1到（r-4）做一个循环，每次增加1。c检查是否outAnn2（i，1）1和outAnn2（i（4，1）1，如果是，那么i做一个循环j i到（i4），每次增加1。ii检查是否outAnn2（j，1）1，如果是，则cc1。3.结束循环。iv检查是否为c 4，如果是，则1做一个循环ki到（i3），每次增加1。2设置Ann2（k，1）1.3结束循环。d设定c0。e结束循环。(7) 使用以下步骤制作7 s滑动窗口：a Setc0.b从i1到（r-6）做一个循环，每次增加1。c检查是否outAnn2（i，1）1和outAnn2（i（4，1）1，如果是，那么i做一个循环j i到（i6），每次增加1。ii检查是否outAnn2（j，1）1，如果是，则cc1。3.结束循环。iv检查是否为c 4，如果是，则1做一个循环ki到（i5），每次增加1。2设置Ann2（k，1）1.3结束循环。d设定c0。e结束循环。R. Nath Bairagi等人软计算快报3（2021）1000268=+==+=====(8) 使用以下步骤制作8 s滑动窗口：a Setc0.b从i1到（r-7）做一个循环，每次增加1。c检查是否outAnn2（i，1）1和outAnn2（i（4，1）1，如果是，那么i做一个循环ji到（i7），每次增加1。ii检查是否outAnn2（j，1）1，如果是，则cc1。3.结束循环。R. Nath Bairagi等人软计算快报3（2021）1000269====+===+==+==+====-=×见图7。CHB-MIT数据库的患者特异性结果，其中1（a）chb01_18; 1（b）chb01_21; 1（c）chb01_26; 2（a）chb02_16+; 3（a）chb03_35; 3（b）chb03_36; 4（a）chb04_28; 5（a）chb05_17; 5（b）chb05_22; 6（a）chb06_10; 6（b）chb06_13; 6（c）chb06_18; 6（d）chb06_24; 7（a）chb07_13; 8（a）chb08_11; 8（b）chb08_13; 9（a）chb09_08;10（a）chb10_31; 10（b）chb10_38; 10（c）chb10_89; 11（a）chb11_82; 11（b）chb11_92; 12（a）chb12_10; 12（b）chb12_11; 12（c）chb12_23; 12（d）chb12_36; 12（e）chb12_42; 13（a）chb13_58; 13（b）chb13_60; 13（c）chb13_62; 14（a）chb14_17; 14（b）chb14_18; 14（c）chb14_27; 15（a）chb15_49;15（b）chb15_52; 15（c）chb15_54; 15（d）chb15_62; 16（a）chb16_17; 17（a）chb17b_63; 18（a）chb18_32; 18（b）chb18_35; 18（c）chb18_36; 19（a）chb19_30; 20（a）chb20_15; 20（b）chb20_16; 20（c）chb20_68; 21（a）chb21_21; 21（b）chb21_22; 22（a）chb22_38; 23（a）chb23_06; 23（b）chb23_08; 24（a）chb24_07; 24（b）chb24_09; 24（c）chb24_13; 24（d）chb24_15; 24（e）chb24_17和24（f）chb24_21。iv检查是否为c 4，如果是，则1做一个循环ki到（i6），每次增加1。2设置Ann2（k，1）1.3结束循环。d设定c0。e结束循环。(9) 使用以下步骤再次制作5 s滑动窗口：a初始化第三个数组，即b从i1到（r-4）做一个循环，每次增加1。c检查是否outAnn2（i，1）1和outAnn2（i（4，1）1，如果是，那么i做一个循环j i到（i4），每次增加1。ii检查是否outAnn2（j，1）1，如果是，则cc1。3.结束循环。iv检查是否为c 5，如果是，则1做一个循环ki到（i1），每次增加1。2设置Ann3（k，1）1.3结束循环。d设定c0。e结束循环。R. Nath Bairagi等人软计算快报3（2021）10002610==+=========+=+==+===-×(10) 使用以下步骤制作11 s滑动窗口：aSetc 0.b从i1到（r-10）做一个循环，每次增加1。c检查outAnn3（i，1）1和outAnn3（i10，1）1是否为是然后i创建一个循环ji（i）10）并每次增加1。ii检查是否outAnn3（j，1）1，如果是，则c c1。iii 结束循环。iv 检查是否c>2、如果是，1做一个循环ki到（i9），每次增加1。2设置Ann3（k，1）1.3结束循环。d设定c0。e结束循环。(11) 使用以下步骤制作10秒滑动窗口：a初始化final数组，即“outFinal“，其大小为（r1）和设置outFinal（1：r，1）0，也设置c0。b从i1到（r-9）做一个循环，每次增加1。c检查outAnn3（i，1）1和outAnn3（i9，1）1是否为是然后R. Nath Bairagi等人软计算快报3（2021）10002611====+==+=+TP+FNTN+FP= ×100TN+FP= ×× = ×i做一个循环ji到（i9），每次增加1。ii检查是否outAnn3（j，1）1，如果是，则c c1。iii 结束循环。iv 检查是否为c10 ，如果是，则1做一个循环ki到（i9），每次增加1。2 SetoutFinal（k，1）1.3结束循环。d设定c0。e结束循环。对于患者#6和16，由于癫痫发作持续时间非常短，我们应用了步骤1-9。此外，对于患者#16，在步骤9中，我们应用了4 s滑动窗口。2.7. 绩效评价我们所提出的方法的性能进行评估，通过计算的统计参数。这些措施包括：表4计算应用SWA后的敏感性、特异性、准确性、潜伏期和FPR值。灵敏度（Sens.）：专属性（质量标准）：党参议员=TP×100规格=TN× 100（十五）（十六）分类精度（CA）：CATP+TNTP+FN+TN+FP（十七）潜伏期：与临床医生标记发作的基础事实相比，算法检测癫痫发作时期的延迟量假阳性率（FPR）：FPR=FP×100（18）3. 结果和讨论在0.5 Hz-40 Hz的频率范围内使用基本FIR滤波器来去除与EEG信号融合在一起的伪影和噪声。我们在这项研究中使用的数据库包含不同通道配置的记录，首先，当我们使用来自不同通道配置的数据训练分类器时，它的性能非常低。因此，我们选择了具有相同通道配置的记录，这就是我们使用这些常见23通道配置的原因。在癫痫发作记录中，既有癫痫发作信号，也有非癫痫发作信号。为了训练神经网络分类器，它需要唯一的癫痫发作信号和非癫痫发作信号。因此，每个记录都被划分为1s段。现有的一些研究已经进行了5 s或10 s的分段，但使分段长度大于1 s会产生一些麻烦，例如，当我们试图将持续时间为7928 s的患者#6的记录# chb06_18划分为5 s分段时，我们无法对最后3 s的数据进行任何分段。在下一阶段，计算所有23个通道数据的平均值，以减少计算时间和特征向量的大小。对于时频特征提取，对每个1 s历元执行DWT。通过平均通道数据，特征向量大小从1265（23 5 11）减少到55（5 11）特征向量的四层小波分解。这种技术使我们的模型更省时，复杂性更低。一项研究，Jiang et al.[16]提取物总量每个片段有2254维特征向量，他们使用AGRM算法来选择最佳特征。这个过程需要额外的计算时间。在提取非线性时频统计特征后，通过智能训练算法将这些特征输入人工神经网络。LM算法比GD算法更合适，因为它需要非常低的计算时间。在训练分类器的训练阶段，为了从训练记录中选择癫痫发作和非癫痫发作时期，如表1所示，我们使用所有癫痫发作时期，对于非癫痫发作时期选择，首先，我们通过测量其分类性能来检查时期的有效性，然后我们选择表现出更好性能的时期。对于大多数患者，使用了所有癫痫发作和非癫痫发作时期，而对于一些患者，使用了大多数非癫痫发作时期。此外，从训练记录中我们训练了分类器，然后使用这个分类器对测试记录进行了测试。此外，培训和测试记录图8. 第八条。 每 个 测 试 的 癫 痫 发 作 记 录 的 潜 伏 时 间 ， 其 中 符 号 “” 、"“、”+“、”○“、”□“和”Dad“分别代表上图中的所有（a）、（b）、（c）、（d）、（e）和（f）。7.第一次会议。是根据癫痫发作的持续时间来选择在本研究中，我们尝试将记录分为训练记录和测试记录，使每一侧包含几乎相等的癫痫发作持续时间。分类后，分类器的输出中包含了大量的误检测，而这些误检测是由于伪迹和噪声的影响而产生的，因此提出了一种新的方便地，通过使用该算法，FDR显着降低，性能得到提高。我们以图形方式说明了我们模型的性能，如图所示。 7，测量结果示于表4。从图7和表4所示的性能分析中，注意到患者#6、12和13的灵敏度非常低，这可能是由于信号中的残留伪影以及患者的年龄或性别造成的患者12和13为女性，年龄分别为2岁和3岁，因此，其数据包含大量伪影，尽管患者8和10也分别为3.5岁和3岁，但他们是男性。我们达到了99.44%的平均分类准确率，80.66%的平均敏感性，99.79%的平均特异性和0.2%的平均FPR。此外，1、2、4、5、7、8、9、12、16、19、22号患者的FPR为 0%和24.然而，对于患者#6、13、15、20和21，FPR相对较高。23. 此外，不同记录的延迟时间如图1A所示。8.第八条。我们实现了患者#7、11、19和21的平均潜伏时间0 s为患者编号灵敏度特异性精度平均延迟（s）FPR（%）187.6810099.6340290.1210099.7880385.4799.8299.587.50.18484.4010099.764.50598.3110099.941.50652.8399.2699.2110.74788.5410099.7000875.8510099.019.50989.3310099.880.501086.3099.9899.8430.021181.4899.7299.5800.281253.1110098.575.9201357.5298.9798.108.21.011481.0399.8399.733.670.171576.9799.2898.165.120.681670.9710099.75101797.7399.7599.7020.251882.2599.6599.388.670.351996.3010099.91002080.3699.2798.936.750.712168.8299.9099.500.092286.1110099.72802381.1199.5899.397.330.422483.1710099.842.830R. Nath Bairagi等人软计算快报3（20