多项式PCA、KPCA、LDA和GDA特征提取方法比较研究

医学信息学解锁26（2021）100721基于多项式的PCA、KPCA、LDA和GDA特征提取方法在癫痫和眼动脑电信号检测中的比较研究核心机器Laurent Chanel Djoufack Nkengfacka，b，*，Daniel Tchiotsopb，Romain Atangana c，BeaudelaireSahaTchindab，Val'erieLouis-Doord，DidierWolf daUni t'edeRecherchedeMat i'ereConden s'ee-d' E 'lectronique et de Traitement Du Signal（UR-MACETS），Dschang-喀麦隆大学理学院，P.O. 67号信箱Dschang，喀麦隆bUni t'edeRecherched' Automatique et d ' Informatique Eurq u' ee（UR-AIA），IUT-FV of Bandjoun，University of Dschang-Cameroon，P.O. Box134，Bandjoun，喀麦隆c继续教育和远距离学习处，贝尔图阿高等师范学院，Ngaoun d'e r'e-喀麦隆大学，P.O.。652号信箱喀麦隆贝尔图阿dCentre de Recherche en Automatique de Nancy（CRAN），UMR CNRS 7039，ENSEM de Lorraine，Nancy，FranceA R T I C L EI N FO保留字：多项式变换特征提取方法低维特征核机器癫痫和眼部状态脑电信号检测A B S T R A C T背景与目的：最初，脑电（EEG）信号的分析是纯视觉的，繁琐，耗时，需要医生。改变这种旧的分类方法被证明是一项非凡的任务，获得了大量的关注和大量的努力。基于这一目的，本比较研究的重点是开发基于多项式的特征提取方法，用于癫痫和眼动状态脑电信号检测。方法：采用多项式变换对脑电信号进行频域分解，然后采用线性和非线性方法进行分析。之后，应用标准和核扩展方法对于脑电信号的直接检测，提取的特征被送入核机器，即简单多层感知器神经网络（sMLPNN）和最小二乘支持向量机（LS-SVM）。结果：使用公开的Bonn-University数据库，实验结果表明，使用核方法提取的特征比使用标准方法提取的特征更具鉴别力。此外，与LS-SVM相比，基于sMLPNN的多项式特征获得了更高的性能。此外，获得的预测性，准确性和接收器工作曲线下的面积也表明，核机器可以检测癫痫和眼睛状态EEG信号的最高性能分别为100%，100%和1。结论：该框架可以有效地用于EEG诊断。总的来说，考虑到大脑的复杂性和异质性，配置用于治疗癫痫的智能设备和配置眼-脑-计算机接口可能需要这种类型的框架。1. 介绍大脑疾病越来越被认为是一个主要的公共卫生问题。与所有这些大脑异常不同，癫痫是最常见的神经系统疾病之一，影响全球约5000万人，其特征是复发性不受控制和无端癫痫发作，对患者的日常生活有很大的负面影响[1，2]。对于癫痫的诊断和治疗，已经研究了许多新的疗法，并且可以向大脑受影响的区域提供直接电刺激的方法是最有希望的。这些治疗非常依赖于强大的癫痫发作和眼睛状态检测系统来有效执行。此外，癫痫和眼睛状态检测仍然是备受关注的话题，主要问题是诊断准确性[3]。因此，有效的脑电图（EEG）信号表示和特征提取是重要的问题，在发展这些强大的系统，癫痫和眼睛状态的EEG信号检测。期间这些最近年，进步和细化* 通讯作者。 喀麦隆德尚大学理学院，P.O. BoX67，Dschang.电子邮件地址：laurentdjoufack@gmail.com，laurentdjoufack@yahoo.com（L.C. Djoufack Nkengfack）。https://doi.org/10.1016/j.imu.2021.100721接收日期：2021年6月29日;接收日期：2021年8月24日;接受日期：2021年2021年8月27日网上发售2352-9148/©2021的 自行发表通过Elsevier 公司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上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuL.C. Djoufack Nkengfack等人医学信息学解锁26（2021）1007212自动分类框架已经产生了检测癫痫发作和眼睛状态的能力。核机器在脑电信号自动检测中的应用越来越受到人们的关注。此外，特征提取方法在生物医学领域得到了广泛的发展和应用，因为提取的相关特征可以提高核机器的性能。因此，在这种推动下，已经提出了几种用于处理癫痫和眼睛状态EEG信号检测的框架，并且在这些框架中，多层感知器神经网络（MLPNN）和支持向量机（SVM）是两种非常常用的核机器[4在过去十年的开始，Subasi等人[4]提出了一种通用的信号处理和分析框架，该框架使用离散小波变换（DWT）将EEG信号分解为频率子带，并从这些子带计算一组统计特征以表示小波系数的分布。采用主成分分析（PCA）、独立成分分析（ICA）和线性判别分析（LDA）对数据进行降维处理，提取相关特征，并将其作为双离散输出的支持向量机（SVM）的输入，获得了较好的分类效果。本研究介绍并比较了 分类过程由于PCA、ICA和 LDA方法来确定准确的分类过程，以便在研究结束时，它被揭示，包括LDA的分类过程获得了最高的性能。Hadi等人[10]提出了一种基于可调Q因子WT（TQWT）的新方案，用于节律分解，其中提取了几个统计特征，并将其转发到装袋树（BT）、k-最近邻（k-NN）和SVM作为分类器，具有100%分类准确度的最高性能。在参考文献[11]中还提出了另一种称为分层邻居可见性高度熵（EVHHN）的新方法，用于从EEG信号中检测癫痫发作。首先，三个最近的邻居的可见性关系确定的可见性准则和三个最近的邻居为每个数据点的可见性高度计算。然后计算与相邻可视状态相关的四种不同的熵来表征脑电信号，最后用最小二乘支持向量机分类器对这些特征进行验证。在他们的实验中，正常和发作期脑电信号的分类准确率为99.6%，同时，发作间期和发作期脑电信号的区分准确率为98.35%。基于Laguerre多项式，Ateman-gho和Tchiotsop [12]构造了一种新的小波基，并将其应用于EEG信号的癫痫发作检测，并借助PCA进行降维，人工神经网络（ANN）和SVM进行分类。该框架在发现缉获方面的表现优于先前提出的几个框架。Atangana等人[15]开发了一种癫痫发作检测系统其中使用MLPNN分类器计算用于EEG信号分类的基于WT的线性判别特征。该系统对健康和癫痫脑电信号的识别准确率达到100%。对于癫痫发作和眼睛状态检测，Djoufack等人。[17]引入了基于多项式的节律分解的概念，并分析了EEG信号，以使用LDA提取低维和区分特征。十二个实验研究和支持向量机获得了最大的精度之间96.25和100%。此后，Djoufack等人。[18]还应用多项式变换并计算不同的基于Jacobi多项式变换的复杂性度量，如近似熵（ApEn），样本熵（SampEn），置换熵（PermEn）和模糊熵（FuzzyEn）。使用这些复杂性的测量方法，他们开发了一种具有100%准确度的自动分类系统，可以检测EEG信号是否属于癫痫发作或无癫痫状态的癫痫患者，或者是睁开或闭上眼睛的正常人。从文献中，它是第一次观察到，大多数报告的框架有一个有限的成功率和内核机器的目标是更适用于比其他分类机。此外，提取相关特征的能力变得越来越重要，即使对于EEG信号分类的实际应用，一些框架扩展到非常复杂。另一方面，更多的努力已经集中在脑电节律分解方法和特征提取方法的关联，以检测癫痫发作或眼睛状态。此外，这些框架中的一些框架没有将分解的节奏与文献中定义的频谱系数相关，如参考文献[17]所示。简而言之，尽管应用了几种技术，但多项式变换尚未与用于EEG信号分类的特征提取方法密切相关，即使已经表明频谱系数的物理解释导致癫痫发作和眼睛状态检测中的自动诊断的新问题[17在此基础上，本研究应用多项式变换即离散Legendre变换（DLT）和离散Chebychev变换（DChT）将脑电信号分解为相应的五种节律。此外，已知EEG信号是有噪声的和非平稳的，线性和非线性分析可能是有效的，并且使用分散的测量和集中趋势的测量来分析EEG信号的时间和频率分布以及对应的节律。因此，应用PCA、KPCA、LDA和GDA方法来提取易于观察和解释的低维特征，通常对癫痫患者具有足够的代表性和鉴别力癫痫发作和眼睛状态检测。本研究的其余部分组织如下。用于开发我们的框架的材料和方法在第2节中介绍。描述了脑电数据、基于多项式的脑电分析、特征提取方法、核机器、检测任务、性能度量指标和提出的框架。第3节介绍并讨论了获得的实验结果。本研究在第4节中以结论和一些结论性意见结束。2. 材料和方法已经研究了用于癫痫EEG信号检测的几种框架，并且最有前途的框架可以用于设计向大脑的受影响区域提供直接电刺激的植入式设备。这种类型的癫痫治疗在很大程度上取决于算法的鲁棒性。因此，本研究的目的是研究和比较基于多项式的PCA、KPCA、LDA和GDA特征提取方法在脑电信号中的应用，以提高癫痫和眼动状态脑电信号的检测性能。为此，图1展示了所提出的自动化检测框架。这一框架将在以下各小节中逐步介绍。2.1. EEG数据癫痫EEG信号检测领域的大多数研究人员使用参考文献[ 20 ]中描述的公开可用数据。数据收集自10名患者，由5组（A-E）组成，每组包含通过单通道记录的100个EEG片段。前两组（组A和组B）由从五名健康志愿者收集的数据组成，这些志愿者在清醒状态下放松，眼睛睁开（组A）和闭上（组B）。SET C和SET D段分别在致痫区和大脑对侧半球海马结构中的其他5名患者的颅内无癫痫间隔中进行了测量。SET E由癫痫发作期间颅内记录的数据组成。使用128通道放大器系统和标准化的10-20个电极放置方案记录数据集。记录后，以12位分辨率每秒173.61个样本对它们进行采样和数字化。此外，应用具有0.50-40 Hz（12 dB/oct）的带通滤波器。下面的图2呈现了数据集的EEG信号的示例。L.C. Djoufack Nkengfack等人医学信息学解锁26（2021）1007213MM+1∑⎪M⎪j=1[方差（Var）、标准差（StD）、众数、中位数、四分位数（qr），122.2. 基于多项式的脑电分析2.2.1. 脑电节律分解多项式在文献中被广泛用于信号分析，如信息检索和压缩[21本研究应用参考文献[17]中最近提出的方案，在根据线性和非线性参数进行分析之前，将EEG信号分解为它们的δ、θ、α、β和γ节律。该方案基于雅可比多项式变换并且在下文中简要描述，并且其应用的示例由图3呈现。使用分别表示离散勒让德多项式变换（DLT）和离散切比雪夫多项式变换（DChT）的等式（1）和（2）δ、θ、α和β节律的第4 qr、iqr、mad 1、mad 2、LL、NE、ShEn 1和ShEn 2; γ节律的Max、range、mean、StD和Var。使用这些样本，在时域中分析EEG和相应的节律，如下：EEG信号的Min、Max、range、StD、Var、1st qr、3rd qr、4th qr、iqr、mad 1、mad 2、rms、AvP、norm、E、LL和NE; δ、θ、α和β节律的最小值、最大值、范围、标准差、变量、模式、第一qr、第三qr、第四qr、iqr、mad 1、mad 2、rms、AvP、norm、E、LL和NE。此外，EEG和分解的节律使用近似EEG信号（Eapp）的能量、PRD和δ到γ节律的BP来分析。此后，为了在应用特征提取方法之前具有零分均值和单位Var，对计算的线性和非线性参数进行变换。为此，整个训练数据用于⎪⎧2k+1∑Lk.xj）。）的方式SXj=0MJ确定标准化参数（平均值）或标准化参数（均值和方差），用于标准化或规范化整个αk=M（M+1）[L. x）]2jM，k = 0，1，...，M-1培训和测试数据根据到的下面的等式，好吧）的方式（一）分别为：⎪α∑ s xjk MX新=X旧-平均值（4）M=M+1j=0 LM. xj），为X新X旧版-平均数（五）⎪⎧α1 ∑s。（x）=Var其中XOld和XNew分别代表旧特征向量和新特征向量0=M+1j1M+1伊什cos（2j-1）π=M+1j=1⎪2M+1⎪2（M+1）[k（2j-1）]2.3. 特征提取方法在基于多项式的EEG分析之后，PCA、KPCA、LDA和GDAαk=M+1∑s。xj）cos2（M+1）π特征提取方法被应用于导出低维有限元，j=1，使得关于原始数据的尽可能多的信息被M+1⎪[（2j-1）]}[k（2j-1）]保存。这些提取的特征可以作为核函数的输入chines，以研究癫痫脑电信号检测任务，M=M+1Sj=1cos2（M+1）π*cos2（M+1）π，k= 1，2，3，...，M（二）可以提高检测性能。2.3.1. 主成分分析（PCA）然后，使用傅立叶变换，选择对应于不同节律的频谱系数αk，并应用由等式（3）描述的逆雅可比多项式变换，以提供EEG信号的节律分解。s（x）=∑αkJα，β（x）（3）由Karl Pearson [29]介绍，PCA是一种强大的无监督线性变换技术，可从原始数据集中提取相关信息，并为降维提供路线图。PCA忽略类别标签，只在高维数据中找到最小方差的主成分（最大方差方向）。当将它们投影到低维空间时，Kk=0子空间在实践中，PCA的基本方法理论上易于实施，描述如下：2.2.2. EEG分析和标准化/归一化在使用多项式变换的EEG信号的分解之后，使用离散度和集中趋势的测量来分析EEG信号和获得的节律的时间和频率分布。在现有的措施中，应用了以下内容[25四分位数（iqr）、平均绝对偏差（mad1）、中位绝对偏差（mad2）、范数、能量（E）、平均功率（AvP）、频带功率（BP）、均方根（rms）、线长度（LL）、非线性能量（NE）、脉冲因子（IF）、均方根差百分比（PRD）。使用分解的频谱系数，在频域中分析EEG和相应的节律，如下所示：EEG信号的StD、Var、mad 1、rms、AvP、norm、E、LL和NE;δ、θ、α和β节律的Min、Max、range、StD、Var、mode、1st qr、3rd qr、4th qr、iqr、mad 1、mad 2、rms、AvP、norm、E、LL、NE和IF; γ节律的Min、Max、range、StD、Var、mode和IF使用分解的谱系数的绝对值，在频域中分析EEG和相应的节律如下：EEG信号的平均值、StD、Var、iqr、mad 1、LL、NE、ShEn 1和ShEn 2;最大值、范围、平均值、StD、Var、中值、第一qr、第三qr、⎨∑{]}{L.C. Djoufack Nkengfack等人医学信息学解锁26（2021）1007214N·=（）·=（）-i=1标准化d维数据XTx1，x2，• 计算协方差矩阵X Xx x：T（xi-x）（6）其中x是数据的平均向量。计算协方差矩阵X的特征向量和特征值并按降序排序;使用对应于最大特征值的第一特征向量定义主成分的dxk投影矩阵XW w1，w2，在最后一步中，将原始数据X的大部分信息重建到新的k维子空间Y上，使用：Y=X*W（7）2.3.2. 核主成分分析核主元分析是标准主元分析在非线性问题中的扩展··L.C. Djoufack Nkengfack等人医学信息学解锁26（2021）1007215··=（）·=（）.）的方式̃图1.一、 癫痫和眼动状态脑电信号自动检测框架，比较研究了PCA、KPCA、LDA和GDA特征提取方法。KPCA中的点比PCA中高得多，并且需要估计的主成分的数量也大得多。KPCA的基于核的学习算法理论上易于实现，描述如下：标准化d维数据XTx1，x2，定义核函数kij k xi，xj;从d维训练数据构造N维核矩阵XK（N>>dX T=（x1，x2，.，x N）：K = k ij i = 1，2，.， Nj= 1，2，...，N• 计算GrammatriXK：（八）图二. 一些EEG信号图[20]。使用Kernel方法[30]。KPCA试图找到称为核主成分的方向，沿着这些方向，类被最好地分离。核主成分分析的目的是通过降维来提取信息特征。与主成分分析相比，核主成分分析由于训练数据的数量多，计算量大，K=K-1NK-K1N+1NK 1N（9）其中1N表示所有元素等于1/N的NxN矩阵X[31 ]第30段。计算Gram矩阵X的特征向量和特征值并按降序排序;·L.C. Djoufack Nkengfack等人医学信息学解锁26（2021）1007216·=（）·=（）我=（）Nl=1Sw=1ΣΣ。xl-μl）T.xl-μl）（11）图三. EEG节律分解（a）正常EEG（集合A）和（b）癫痫发作EEG（集合E）。其中（i）和（ii）分别表示使用勒让德和切比雪夫多项式变换的分解节律（从上到下，我们有δ、θ、α、β和γ节律）LNl我我Nl = 1i = 1L见图4。 sMLPNN架构。使用对应于最大特征值的第一特征向量定义核主成分的N × k投影矩阵XW w1，w2，然后，对于每个数据集YTy1，y2，Z=k。yi，xj）*W（10）2.3.3. 线性判别分析LDA是一种强大的监督算法，它通过考虑类内分散和类间分散来计算线性判别式[4]。在这项研究中，LDA的预期目标是通过减少原始数据集的维数来提取区分特征。在这个过程中，LDA试图显式地对类之间的差异进行建模。计算LDA所涉及的步骤描述如下：不Sb=1∑Nl（μl-μ）T（μl-μ）（ 12）其中，对于类标签l，xl、Nl和μl分别是行向量、向量总数和平均向量L、N和μ分别是类别数、所有类别的向量总数和所有类别的全局• 计算S-w1Sb矩阵的特征向量和特征值并按降序排序;• 定义了由S-w1 Sb的前k个特征向量构成的线性判别式的d × k投影矩阵XW=（w1，w2，在最后步骤中，使用等式（7）将原始数据X的大部分信息重建到新的k维子空间Y上。2.3.4. 广义判别分析GDA也称为核LDA，是经典LDA从线性域到非线性域的扩展，使用Baudat和Anouar [32]介绍的核技巧。GDA提供了一种非常有效的方法来提取非线性特征，因为称为广义判别式的方向是通过使用核函数将训练数据映射到高维空间来计算的与LDA一样，GDA也试图最小化类内惯性，最大化类间惯性。因此，我们的目标是使用GDA提取低维相关信息。对于给定的训练数据XTx1，x2，标准化d维数据XT，特别是如果它们是单独测量的;• 定义核函数kij=k（xi，xj）=φ（xi）Tφ（xj）;标准化d维数据X它们是以不同的尺度来衡量的=（x1，x2，• 导出N×N核矩阵XK和N×N块对角矩阵XW（N>>d）从d维训练数据XT=（x1，x2，计算类内（SW）和类间（Sb）散布矩阵;K=.Kpq）p= 1，2，.，Cq= 1，2，...，C（十三）····L.C. Djoufack Nkengfack等人医学信息学解锁26（2021）1007217Np.）的方式图五. 使用基于多项式的PCA方法对一些提取的低维特征进行投影。其中（a）和（b）表示基于DLT和DChT的特征，并且（i）至（iii）分别表示C1至C3的组合见图6。使用基于多项式的KPCA方法对一些提取的低维特征进行投影。其中（a）和（b）表示基于DLT和DChT的特征，（i）至（iv）分别表示C1至C4的组合和W=.Wp）p = 1，2，.，C（14）Wp=（1）Np×N p（十六）与Kpq=kij i = 1，2，.，Npj= 1，2，...，N Q和（十五）L.C. Djoufack Nkengfack等人医学信息学解锁26（2021）1007218其中，C、NP、Nq和N分别表示类的数量、类p的模式的数量、类q的模式的数量和整个训练数据• 通过导出Gram矩阵XK来集中化K：L.C. Djoufack Nkengfack等人医学信息学解锁26（2021）1007219∑∑。） 的方式vTφ（x）=∑∑αp qφ。xp q）Tφ（x）=∑∑αp qk.xpq，x）（20）见图7。使用基于多项式的LDA方法对一些提取的低维特征进行投影。其中（a）和（b）表示基于DLT和DChT的特征，并且（i）至（viii）分别表示C1至C8的组合K=K-1NK-K1N+1NK 1N（17）然后，对于给定的图案x，使用投影重建其信息的大部分：其中1N表示所有元素等于1/N的N×N矩阵[31]。CNpCNp利用特征向量分解，计算Gram矩阵X的特征值Γ及其对应的特征向量P，并按降序排序;p=1q=1p=1q=1• 计算并按降序排序特征值λ和矩阵XPT WP的相应特征向量β;• 计算特征向量α=P Γ-1β并将其归一化为2.4. 使用内核机器进行在特征提取过程之后，α=αTKα（十八）被称为sMLPNN和LS-SVM用于检测过程。这些基于核的学习算法通过求解方程来分析和区分模式。2.4.1. 简单多层感知器神经网络机• 使用α计算特征向量v：MLPNN是一种流行的用于数据处理的内核机器[33目标是使用sMLPNN对不同的EEG信号集进行作为CNpv=αpqφ xpq（19）p=1q=1其中xpq是类p的模式q。如图4所示，sMLPNN在输入端具有n个、三个和一个神经元隐藏层和输出层。在这里，我们有一个唯一的隐藏层，输入层并没有真正被视为神经处理单元的一层。在输入层中不会发生任何处理，它只是一个增加了偏置项的输入向量，其分量将被馈送到下一层。使用这种sMLPNN的优点是快速··αL.C. Djoufack Nkengfack等人医学信息学解锁26（2021）10072110中国==[-]+̃、、、、N• 标准化特征X= {xtNKj=yt（1-yt）∑δtωkj，如果j是隐藏层的神经元Jω ω2γεk（2、、、、NJJK、见图8。使用基于多项式的GDA方法对一些提取的低维特征进行投影。其中（a）和（b）表示基于DLT和DChT的特征，并且（i）至（viii）分别表示C1至C8的组合执行和推广的训练网络，这是特别有利的EEG信号的检测应用。和ωj0=ωj0+Δωj0=ωj0+η∑δt不（二十二）使用梯度下降的期望和获得的解决方案之间[34]。反向传播算法如下所述，重复直到sMLPNN解与期望值一致其中局部梯度由下式定义（1-yt），如果j是输出层的神经元，在预先规定的公差范围内。δtjj j（二十三）tN tN}t=1将Y={y}t1r= {r}t1放在[0. 05; 0. 95];初始化权重ωj，i（连接链路的权重），神经元j到前一层的神经元i）上0的情况。5; 0. 5、偏见ωj，0（神经元j的偏置）为1;• 只要没有达到停止标准，重复：2.4.2. 最小二乘支持向量机SVM最初由Vapnik [36]提出，提出了许多扩展，如Suykens和Vanderwalle [37]提出的LS-SVMLS-SVM是一种强大的基于核的统计学习方法，用于非线性分类任务，如EEG信号检测。- 通过传播数据计算获得的输出Y= {yt}N在LS-SVM中，优化问题被描述为：远期;t=1N- 计算输出层每个神经元的观测误差et =不不1T1 ∑22k=1rj-yj;- 通过反向传播观测误差来调整权重和偏差;例如：ωji=ωji+Δωji=ωji+η∑δt不（二十一）·权值和偏置使用反向传播算法确定，该算法基于搜索最小均方误差J[1]欲：mω，bi，neJ（ω，b，e）=JL.C. Djoufack Nkengfack等人医学信息学解锁26（2021）10072111k=1KKKy[ωT（x）+b]= 1-ε，k =1，2，.，中文（简体）哪里 {（x k，y k）}N，γ和ε k，k=1，2，...，N代表训练集，L.C. Djoufack Nkengfack等人医学信息学解锁26（2021）10072112α[客户端]（）（）=（）{±}k=1联系我们→1表1基于多项式的PCA特征提取方法矩阵X公式利用核机器对癫痫和眼动状态的脑电信号进行检测0 YTYΩ+ γ-1I[b]=0（二十七）检测任务基于Legendre的特征组合基于Chebychev的特征组合其中Y=[y1，y2，...， yN]T，→1 = [1，1，.，1]T，ε= [ε1，ε2，...，εN]T，α=C1 C2 C3 C1 C2 C3[α1，α2，...， α N]T和I是单位矩阵X。默瑟A-EsMLPNN100100100100100100在矩阵XΩ内应用nels，其中元素给定为Ωkl=B -EC -E最小二乘支持向量机sMLPNN10010010010061.2592.5077.5010010095.0098.7510010010010010010097.5098.7510010096.2598.75100其中K表示核函数。然后，LS-SVM分类器表示为：D -ELS-SVM10077.5093.7510098.7593.75yx符号[ωT<$x b]符号n[∑NαyKxxb]（28）sMLPNNLS-SVMAB-EsMLPNNLS-SVM97.5095.0010010097.5096.2595.0079.1797.5093.7596.6799.1797.5095.0099.1710010095.0098.3397.5097.5093.7598.3399.17（）=（k）+=k=1KK （，k）+CD-EsMLPNNLS-SVMACD-EsMLPNN98.3395.8396.8898.3395.8398.7598.3392.5098.7597.5095.8397.5099.1793.3398.1398.3392.5098.752.5. 检测任务设计与性能度量2.5.1. 探测任务的设计ABCD -E最小二乘支持向量机96.2598.0096.0094.3896.5090.5096.2596.5094.5096.2597.0096.0091.8897.0096.5096.2596.5094.50使用内核机器的EEG信号检测为新的诊断和治疗应用提供了机会，例如检测AB-CDsMLPNN93.1380.0082.5090.0088.7581.25癫痫患者是否处于无癫痫或癫痫发作状态，以及AB - CDEA -B最小二乘支持向量机91.8892.0088.5097.5095.0080.6381.5082.5096.2593.7586.8882.5089.5092.5088.7591.8884.5088.5095.0095.0083.5089.5083.0093.7592.5087.5080.5089.5095.0088.75无论正常患者是睁眼还是闭眼。在本研究中，使用所有波恩大学EEG数据[20]、基于多项式的PCA、KPCA、LDA和GDA特征以及基于核的学习算法来阐述和讨论11个检测任务。这些检测任务描述如下：输入xk IRn和输出标签yk1，正则化参数，以及LS的获得输出和期望输出之间的误差• A-E：睁眼时正常vs癫痫伴癫痫发作;• B-E：正常，闭眼vs癫痫伴癫痫发作;参数为ω = ∑N的SVM分别 为α ky k <$（x k）和b。• C-E： 癫痫 没有 缉获量 从 的 海马结构使用拉格朗日乘子方法L来解决这个对偶问题，解定义为：NL（ω，b，ε;α）=J（ω，b，ε）-αkykωT（xk）+b-1+εk（26）k=1并且相应的线性方程组可以被定义为与癫痫发作相比;D-E：致痫区无癫痫发作的癫痫患者与癫痫发作的癫痫患者;AB-E：正常与癫痫发作;CD-E：癫痫无发作与癫痫有发作; ACD-E：睁眼正常，癫痫无发作与癫痫有发作;[····L.C. Djoufack Nkengfack等人医学信息学解锁26（2021）10072113见图9。不同检测任务的最高检测性能的ROC曲线和相应的AUC值。对于每个检测任务，红色和蓝色曲线分别对应于训练ROC和测试ROC。(For关于这一图中颜色的解释，请读者参阅本文的网络版。）L.C. Djoufack Nkengfack等人医学信息学解锁26（2021）10072110T+FT+FP（%）=100 ×==（，k）=-2σ2k-表2基于多项式的KPCA特征提取方法在癫痫和眼动脑电信号检测中的精度比较。检测任务Legendre特征组合Chebychev特征组合C1C2C3C4C1C2C3C4A-E sMLPNN100100100100100100100100LS-SVM100100100100100100100100B-EsMLPNN10010098.7510098.7510098.7598.75LS-SVM10010010010010010010098.75C-EsMLPNN10010098.7510010010098.75100LS-SVM100100100100100100100100D-EsMLPNN97.5096.2597.5097.5098.7597.5095.0097.50LS-SVM97.5096.2597.5097.5098.7596.2596.2597.50AB-EsMLPNN10010099.1710099.1710099.1799.17LS-SVM10010010010010010010098.33CD-EsMLPNN98.3397.5097.5098.3398.3397.5096.6798.33LS-SVM98.3397.5097.5098.3398.3397.5096.6798.33ACD-EsMLPNN98.7598.1398.1399.3899.3898.1397.5099.38LS-SVM98.7598.1398.1398.7598.7598.1397.5098.75ABCD-EsMLPNN98.5098.5098.5097.5097.5098.0097.5097.50LS-SVM98.5098.5098.0097.5097.5098.5097.5097.00AB-CDsMLPNN90.6396.2596.2591.2594.3896.2595.6395.00LS-SVM74.3874.3876.8863.7587.5078.7675.6369.38AB-CDEsMLPNN92.5096.5098.0092.5095.0095.5095.0095.00LS-SVM81.5076.0085.5079.0092.5067.0092.5075.50A-BsMLPNN96.2586.2595.0097.5092.5088.7596.2598.75LS-SVM86.2566.2595.0088.7586.2561.2595.0081.25ABCD-E：正常和癫痫无发作与癫痫有发作;• AB-CD：正常与无癫痫发作的癫痫;• AB-CDE：正常与癫痫;• A-B：睁眼正常与闭眼正常。2.5.2. 业绩衡量为了评估所提出的框架的性能，应用10倍交叉验证技术。首先将数据划分为训练数据和测试数据。其次，训练数据被随机划分为10个相同大小和相同数量的EEG信号的子集。其中一个子集被用作验证子集，而其余的子集被用作训练子集。该过程重复10次，使得每个子集仅被用作验证子集一次。所有训练实验的平均参数被用作核机器的最优参数。然后，构造的核机器被保留，并使用测试数据根据五个性能度量标准评估所提出的框架的有效性。这些指标，即特异性（Spe ）、敏感性（Sen）、预测性（Pre）、准确性（Acc）和受试者工作曲线（ROC），定义如下[38相对于x轴。在实践中，称为ROC曲线下面积（AUC）的单一测量用于评估框架的性能或区分能力，或用于比较不同的分类器，而不依赖于特定阈值。AUC作为一般测量表现良好，因此较高的AUC显示较好的诊断系统。其中TN、FP、TP和FN分别代表真阴性（正常或无癫痫）、假阳性、真阳性（癫痫）和假阴性的总数。2.6. 拟议的检测框架说明图1提出并呈现了一种新的用于癫痫发作和眼睛状态检测的完整EEG信号检测框架，其应用了最近提出的用于EEG节律分解的替代方法。首先应用JPT将整个波恩大学脑电数据库分解为五种节律。此后，EEG和节奏进行了分析，使用分散和中央趋势的措施。这些措施是标准化或规范化的，可以应用不同的特征提取方法。 对于特征提取，主成分（PC），核PC（KPC），线性判别（LD）Spe（%）=100 ×TNTP（二十九）以及分别对应于PCA、KPCA、LDA和GDA方法的应用的广义判别式（GD）。然后，对于每个检测任务，Sen（%）=100×TP+FN（30）使用这些计算出的PC、KPC、LD和GD来预测相应的度量，使得前（%）=100 ×TPAccTP+TNTP+FN+FP（三十一）（三十二）提取并馈送作为两个核心机器即sMLPNN和LS-SVM的输入。因此，为了执行每个检测任务，数据被划分为使得每组EEG信号的前60%构成训练集，而剩余的40%构成测试集。明智的是要记住，在考虑文献的同时，KPCA和GDA的配置参数是在大量测试之后根据经验选择的，以提取最突出和最小的参数。尽可能充分地提供令人信服的歧视特征ROC曲线利用了这样一个事实，即许多分类框架生成将输入数据样本分配给每个可能的输出标签的概率。它代表了一种对性能进行分类并全局可视化二进制文件行为因此，这些测试使得可以设置KPCA和GDA的参数，使得具有δ 5的双曲正切核和具有高斯核的双曲正切核可以被设置为具有δ 5的双曲正切核。内核 与 Sigma10 是 使用 为 的 KPCA 和GDA，分别在最后阶段，具有S形激活的sMLPNN诊断系统绘制灵敏度或真阳性率函数K（x k）=1 +1k，和高斯径向基并绘制1-特异性或假阳性率exp（-x）1999年，张晓波（1xx）应用为··L.C. Djoufack Nkengfack等人医学信息学解锁26（2021）10072111内核机器，这样的决定可以采取作为癫痫发作或非癫痫发作，或作为正常与开放或关闭的眼睛。几种现有的方法相结合，设计我们的框架，使癫痫发作和眼睛状态的检测可以优化。该工作的新颖性在于将使用JPT的EEG节律分解的新的替代方法与PCA、KPCA、LDA和GDA特征提取方法相结合，以提取突出的和有区别的低维特征向量而不是高维特征，使得分类性能可以显着提高用于使用EEG信号的诊断。这也有助于建立频谱系数与某些病理的相关性。此外，据我们所知，这项工作是第一个应用新提出的JPT方法的节奏分解之前，应用不同的特征提取方法。总体而言，所提出的框架可以为临床医生在癫痫发作和眼睛状态检测中提供准确和客观的方案，以改善患者的生活条件3. 实验结果与讨论3.1. 实验结果将前一节中提出的基于多项式的PCA、KPCA、LDA和GDA特征提取方法应用于500个信号的整个EEG数据库。在这项研究中，每个EEG集的前50%被用来计算与PCA，KPCA，LDA和GDA特征提取方法相关的PC，KPC，LD和GD。此后，这些计算出的PRIN-UNR分量和判别式被用来提取整个EEG数据库的低维特征。因此，根据用于节律分解的多项式方法（DLT或DChT）、特征提取方法以及计算的分散和集中趋势的测量的集合，可以获得对于类别区分更具有视觉代表性和信息性的低维特征的不同组合。然后，这些提取的低维特征中的一些被投影并呈现在图5至图6中。8.第八条。对于图5，计算出的分散和集中趋势的度量为：在应用PCA特征提取方法之前归一化，使得第一组合（C1）使用在所有节律和EEG的分解的