没有合适的资源?快使用搜索试试~ 我知道了~
可在www.sciencedirect.com在线获取ScienceDirectCAAITransactions on Intelligence Technology 1(2016)137e149http://www.journals.elsevier.com/caai-transactions-on-intelligence-technology/原创文章使用计算智能技术的癫痫分类胡拉姆岛Qazia,*,H.K.林某a,肖波a,欧阳高祥b,尹勋和ca联合王国伦敦市斯特兰德国王学院信息学系,b北京师范大学脑与认知科学学院认知神经科学与学习国家重点实验室,中国北京市海淀区,100875c北京交通大学电子信息工程学院2016年10月13日在线发布摘要本文讨论了癫痫分类的实际应用,其中三个阶段的失神发作,即癫痫发作前,癫痫发作和无癫痫发作,使用真实的临床数据进行分类。采用人工神经网络(ANN)和支持向量机(SVMs)结合监督学习算法以及k均值聚类(k-MC)结合无监督技术对癫痫发作的3个时相进行分类。采用不同的技术来组合二进制支持向量机,即一对一(OvO),一对所有(OvA)和二进制决策树(BDT),用于多类分类。与两种传统的分类方法,即k-最近邻(k-NN)和朴素贝叶斯分类器进行了比较.结果表明,当原始临床数据受到噪声干扰时,基于支持向量机的分类器在识别精度和鲁棒性方面优于传统分类器。此外,具有OvO的基于SVM的分类器提供了最高的识别精度,而基于ANN的分类器通过在存在噪声的情况下展示最大的精度而超越Copyright© 2016 , 重 庆 理 工 大 学 . 由 Elsevier B.V. 制 作 和 托 管 。 这 是 一 篇 开 放 获 取 的 文 章 ,CC BY-NC-ND 许 可 证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词:失神发作;离散小波变换;癫痫分类;特征提取;k-均值聚类;k-近邻;朴素贝叶斯;神经网络;支持向量机1. 介绍癫痫是一种神经系统疾病,它会影响大脑和神经系统。这是一种非常常见的神经系统疾病,大约1%的一般人群受到影响[1]。仅在英国,每100人中就有1人,超过50万人患有癫痫症。癫痫病的病因有很多,有时无法识别。在癫痫领域,癫痫发作被称为癫痫发作,大脑是源头。在癫痫发作期间,大脑的正常功能在一定时间内受到干扰,导致大脑和身体其他部位之间这些* 通讯作者。电子邮件地址:khurram_ishtiaq. kcl.ac.uk(K.I. Qazi),hak-keung.lam@kcl.ac.uk(香港)Lam),bo. kcl.ac.uk(B. Xiao),电子邮件@bnu.edu. cn(G.欧阳),xhyin@bjtu.edu.cn(X. Yin)。同行评议由重庆理工大学负责。癫痫发作会使癫痫患者面临更高的受伤风险,包括骨折,跌倒,烧伤和淹没损伤,这些在儿童中非常常见[2]。这些伤害的发生是因为癫痫发作可以在没有事先警告的情况下随时随地发生,患者会在无意识的情况下继续他或她的活动。如果一个系统可以有效地预测癫痫发作前的阶段(大脑向癫痫发作的过渡时间),那么它就可以产生早期预警警报,以便患者采取预防措施。失神发作是一种广泛的癫痫发作,其中大脑的大部分受到干扰。这些癫痫发作是非常短的,有时可能会去un-notice。病人看起来很困惑,之后可能不记得癫痫发作。在这些癫痫发作期间,大脑产生的复杂尖峰和波模式可以记录在脑电图(EEG)上,神经科医生可以识别三个失神癫痫发作阶段,即无癫痫发作、癫痫发作前和癫痫发作[3,4]。为了使这一过程自动化,脑电图数据被转换成数字格式,并输入计算机化的http://dx.doi.org/10.1016/j.trit.2016.08.0012468-2322/Copyright© 2016,重庆理工大学由爱思唯尔公司制作和主持这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。138K.I. Qazi等人/CAAI Transactions on Intelligence Technology 1(2016)137e 149癫痫发作检测(分类)系统,它可以自动识别输入模式。该分类系统的两个核心模块是:特征提取和使用这些特征的分类器的设计。特征提取方法从EEG记录中提取最具区分性的信息,这意味着理想的特征可以具有区分失神发作的三个阶段的在文献中,有一长串的方法,可以用来提取特征的EEG信号。这些方法包括傅立叶变换(FT);良好的分析站的信号,和时间频率分布(TFD);提供了一个工具,用于检查连续段的EEG信号。然而,EEG信号本质上是非平稳的,并且传统的频率分析方法可能无法捕获大脑信号的全部细节。李雅普诺夫指数;讨论了癫痫发作的检测和预测。[5]、相关结构分析[6]和高阶谱分析(HOS)[7]是癫痫领域中用于EEG信号分析的非线性方法的示例。小波理论的发展也使其非常适合于生物医学信号的处理。它具有捕获重复和不规则模式的内在优势。它还可以处理瞬态和突然信号变化的分析[8,9]。这是可能的,因为该技术提供了可变的窗口大小,在高频水平处窄,在低频水平处宽。在文献[8]的基础上,讨论了几种不同的脑电信号分析方法,并得出小波变换(WT)比其他方法具有更大优势的结论。设计分类系统的下一步是将这些提取的特征与适当的学习方法相结合,以设计分类器。这些方法可以分为传统的分类方法和现代学习算法,也称为计算智能算法或机器学习算法。基于统计理论的贝叶斯方法、k-近邻(k-NN)方法和基于逻辑分支的决策树方法都属于传统分类器的范畴。另一方面,支持向量机(SVM)、人工神经网络(ANN)、k-均值聚类(k-MC)和自组织映射(SOM)通过学习隐藏在输入特征向量内部的复杂和非线性模式而表现出智能行为,被认为是计算智能方法。以下是对本研究所使用的所有方法的简要介绍。基于贝叶斯统计理论的分类系统已经在商业上得到了广泛而成功的应用[10]。该方法提供了一种表示感官证据的方法;从原始数据中提取的特征,以及从领域知识中收集的关于手头问题的先验信息。考虑到所有类别的先验概率相等,因此忽略了获取领域知识的麻烦,分析变得非常简单。虽然这是一个强大而简单的规则来处理和实现,但从数据中估计后验概率是一项重要的任务[11],并且数据的分布可能不均匀。k-NN规则顾名思义,通过在探测所有k-NN上的标签并使基于多数表决的决定。通常,欧几里德距离用于测量相邻实例之间的距离。该算法在许多应用中[10](如视觉类别识别[12])大多提供了可接受的性能,并且也非常容易实现。然而,k-NN算法由于大的存储器需求而受到影响,并且也没有逻辑方式来选择最佳k值,这将影响分类问题并且可能不会产生非常好的结果。受人类大脑功能和结构的启发,McCulloch和Pitts在20世纪40年代提出了逻辑阈值单元(LTU)[13]。从那时起,LTU的这个基本思想已经在许多方面得到了推广,它是现代ANN的基石。1962年,Rosenblatt[14]通过扩展LTU的思想以及具有自适应元素的可训练网络[15],引入了单层感知器神经网络。尽管这种神经网络模型取得了巨大的成功,但它仅限于解决线性可分问题。传统的前馈神经网络[13]有三种类型的层,即,输入、隐藏和输出层。每一层由以层到层的方式连接的节点组成。前馈神经网络可以学习任何光滑的非线性函数在一个紧凑的域到任何程度的精度,被认为是通用的逼近。它们有许多应用,如分类,预测,聚类和近似[13]。这种技术的缺点是它需要调整许多参数来训练神经网络。此外,没有一组规则来确定隐藏层和这些层中的神经元的数量。此外,普通神经网络存在“过拟合”和“局部优化”问题[16]。SVM方法将来自输入空间的非线性和不可分的数据映射到更高维的特征空间,其中数据然后可以线性分离[17]。这个任务是通过利用分离超平面的概念来完成的[17]。使用核函数代替计算映射函数,特别是对于高维空间的特征映射函数,节省了计算量。SVM算法的目标是最大化边缘(在超平面的两侧分离支持向量的区域),并试图找到一个最佳的超平面。因此,也称为最大边缘分类器。虽然,用于SVM技术的训练参数非常少,但它仍然是计算上耗时且高度复杂的。尽管如此,支持向量机具有良好的泛化能力,解决了过拟合问题,并且在高维特征空间中也表现良好。k-MC是一种无监督的学习技术,它基于相似的属性对样本进行聚类。而k表示聚类或类的数量。在一个聚类中,样本与其他聚类中分组的样本相似但不同。这是一个迭代过程,其中样本根据其最接近的均值分组在一起,并且调整聚类位置,直到这些位置对于某些迭代不改变。这种技术的优点是它不需要输入示例的标签。如果k很小,则收敛也更快但是,如果集群的K.I. Qazi等人/CAAI Transactions on Intelligence Technology 1(2016)137e 149139×尺寸、密度和不是球形的,则结果较差。结果也可能因集群中心的初始位置而异。从上面的讨论中,我们可以得出结论,使用机器学习方法相对于传统分类方法的优势在于,分类系统在开始时不需要知道很多关于输入数据的信息,而是通过学习算法来学习输入数据的特征。一旦建立了分类系统,用任何其他学习算法替换学习算法将不需要对系统进行考虑到这一潜在因素,分类器(如ANN和SVM)已广泛用于设计癫痫检测系统[3,9,6,18]。此外,具有高度区分性的特征不仅可以提高识别精度,还可以加快识别过程。最近[3],通过使用FT在时域和频域中提取特征,已经显示出在本文中,我们首先提出了一种不同的策略,从脑电信号中提取特征。在时域中,计算了基于加窗滤波机制的局部特征和基于整个信号长度的全局特征。然后使用离散小波变换(DWT)将信号分解为不同的级别在下一阶段,我们比较不同的机器学习算法在其识别精度的基础上提取的特征。传统的分类方法在许多应用中提供了可接受的性能,并且可以用作其他技术的基准[10]。对传统的和智能的两种分类方法进行了比较.鲁棒性属性也已使用噪声污染的数据进行了测试。本文的结构如下。第二部分阐述了癫痫患者数字化数据采集的机理,并讨论了癫痫分类系统设计的特征提取方法。然后解释了三种计算智能技术:SVM,ANN和k-MC的 工 作原 理 。 第三 部 分给 出 了 分类 结 果, 包 括 使用SVM、ANN和k-MC设计分类器,并对这些分类器与两种传统分类方法NBC和k-NN进行了评价论文在第四节结束。2. 癫痫分类系统图1显示了本研究中使用的癫痫分类系统的设计周期。这是一个迭代过程,其中系统基于学习算法产生的输出进行更新。本设计方案的细节将在以下章节中讨论。2.1. 数据采集使用10-20国际标准电极放置系统,所有19个电极(FP1、FP 2、F3、F4、C3、C4、P3、P4、O 1、O2、F7、F8、T3、T4、T5、T6、Fz、Cz和Pz)的数据从失神发作的癫痫患者中收集。这些记录是在中国北京大学人民医院拍摄的,患者(6男4女)年龄8-21岁,同意将这些数据用于研究和发表结果[3]。为了记录神经活动,EEG数据以256 Hz采样,从0.5使用Neurofile NT数字视频EEG系统[3]。提取的数据被癫痫神经学家分为失神发作的三个阶段:无癫痫发作、癫痫发作前和癫痫发作。根据以下标准将这些阶段分开:1)无癫痫阶段和癫痫发作开始点之间的间隔大于15 s,2)癫痫发作前的间隔为0和2 s,3)间隔为失神癫痫发作的前2 s[3]。每个数据集有110个样本,每个样本量为19512。图2示出了这三个癫痫发作阶段的19通道EEG记录的示例。从图中可以看出,无癫痫和癫痫发作阶段非常明显,并且更容易分类。然而,大脑从无癫痫发作到失神发作(癫痫发作前阶段)的转变看起来几乎相同,很难区分。重复频率为3 Hz的全身性棘波放电通常与临床失神发作相关。关于数据收集的更多细节可以在参考文献中找到。[19e21]。2.2. 特征提取该阶段的目的是通过从原始数据中选择有区别的特征来消除EEG信号中的冗余。该过程还有助于减小输入特征向量的大小。在EEG记录的情况下,我们有来自19个EEG电极(传感器)的19个通道,如图2所示。对失神癫痫的研究表明,并非所有19个通道都具有相同的重要性。参考文献[3]中的成功实验还确定,总共19个电极中只有10个电极(FP 1、FP 2、F3、F4、C3、C4、F7、F8、T3和T4)具有可以帮助对三个癫痫发作阶段进行分类的特性。然后基于这10个选择的通道形成特征向量。为了捕获一段时间内的大脑功能,从时域中的EEG信号计算相同特征的局部和全局值。基于整个信号长度计算全局值,并使用加窗函数提取局部特征。从图中可以明显看出时域特征的重要性。 2,其中在无癫痫发作和癫痫发作前阶段,脑记录中没有突然或突然的变化。时域分析很好地捕捉到了这种活动。在时域中提取每个所选通道的能量( E ) 、 范 围 ( R ) 、 标 准 差 ( SD ) 、 绝 对 值 之 和(SAV)、平均绝对值(MAV)和方差(Var)以形成特征向量的一部分小波变换将信号分解为几个层次,每个层次代表信号的特定粗糙度。在每一级,信号通过高通滤波器(HPF)和低通滤波器(LPF),高通滤波器(HPF)充当母小波,低通滤波器每个电平的输出是缩小了2倍的信号140K.I. Qazi等人/CAAI Transactions on Intelligence Technology 1(2016)137e 149ð ÞZ一一ffiffið Þ图1.一、癫痫分类系统的设计周期图二、脑电图记录。无癫痫发作(A)、癫痫发作前(B)和癫痫发作(C)阶段。由低频分量组成的近似(A1)和由高频分量组成的细节(D1)分别是由LPF和HPF产生的系数。对于下一级分解,A1被进一步分解,整个过程被重复,直到达到所需的分解级别。对于一维信号x t,连续小波变换(CWT)由Morlet- Grossman[22]定义:∞过程继续,直到达到所需的水平。图3描绘了长度为n和Y2的信号的DWT分解方案,示出了信号在每个级别被缩小2倍。我们使用Daubechies D4小波,这是最广泛使用的小波变换的脑电信号分析。D4使用四个缩放和小波系数[9]。缩放系数(LPF)为:1W a; bpa-∞xtjωt-bdt其中j是分析小波,a是标量参数,b是位置参数。利用二进制尺度因子将连续小波变换转化为离散小波变换。因此,从(1)[23]:∞1Wj;bp2jxtjωt-bdt2这意味着A1和D1是信号x t的第一个分裂。然后,从使用A1开始,下一个分割是A2和D2,图三. DWT分解方案。Z-∞K.I. Qazi等人/CAAI Transactions on Intelligence Technology 1(2016)137e 149141半]半]¼¼<þffiffiþffiffi-ffiffi-你好小时0¼1个p3个p4个p2个p;h1¼ 3p3p4p2p;h2¼3p34p=200;h=3001个p3个p4个p2个p特征向量。在学习(训练)过程完成之后,任何新的数据样本都基于小波系数(HPF)为:g01/4h3;g1 1/4-h2;g2¼h1;g3¼ -h0将脑电信号分解为5个层次,计算了每一层次的能量、幅度和标准差。除了这些特征之外,还在每个分解级别计算了波形长度(WL),平均幅度变化(AAC)和差异绝对标准偏差(DASD)[24],以形成特征向量的其余部分。将来自时域以及来自分解信号的所有特征组合导致大的特征向量,这在分类过程中被认为是计算昂贵的,并且还可以产生差的识别准确性。图4描绘了上面讨论的特征提取的整个过程。从第2.1节开始,单个电极训练分类器 这个阶段称为分类阶段。根据学习过程,这些技术可以分为监督和无监督学习。在超监督学习中,该算法采用示例输入(训练数据集)及其相应的输出(类标签)。然后,它学习将输入映射到输出的一般规则。SVM和ANN遵循这种策略。在无监督学习机制中,没有输出与输入示例相关联。数据根据其自然或相似特征进行分组和聚类。k-MC是一种无监督学习算法。在本研究中,我们探讨了支持向量机,人工神经网络和k-MC。2.3.1. 支持向量机一个带有一个提供512个大脑读数(值),并且仅选择10个通道来构建特征向量。因此,使用16和6全局训练集XiN1/1(class labels)(类标签)1/12d,相应的输出可以表示为:提取特征值。然后将各个电极的值分解为5级。Dj/DL表示详细值,AL表示近似值,如图所WTXw0≥1ci:y≤1 ci:y≤ 1 c i:y ≤ 1 c图 3. 其中j1/L和L五、在每个水平提取主成分分析(PCA)已被用于降低特征向量的维数(d)决定一个40维的特征向量WTX 阿吉什w0≤-1ci:y阿吉什联系我们以用作设计分类器和执行分类实验的输入。2.3. 计算智能技术智能技术将特征向量作为输入,并使用学习策略,这些算法学习其中W2d是权重向量,w0是偏差.然而,并不是所有的分类问题都是线性可分的.这些问题使用软间隔方法来解决,并且分类器被称为软间隔分类器。最大化边际并最小化错误分类点的数量,我们可以将软边际方法的约束优化问题公式化为:见图4。特征提取过程。142K.I. Qazi等人/CAAI Transactions on Intelligence Technology 1(2016)137e 149X.ΣðÞð Þ.XK.Xpjj---þþ2X i;X i0xi x i0XX;XXx均p0ð7ÞminW;w0;z 中文(简体)12N2jjWjjCzði Þ服从:yiWTXiw0≥1-zizi≥0 且i1; 2;ð5Þ其中z是松弛变量,其表示训练误差的上限,并且C>0权衡裕度大小和训练误差。在(5)中用0替换C成为线性可分的情况。非线性支持向量分类器(SVC)使用核技巧,将原始特征空间映射到另一个高维空间,通过这个映射过程,分类任务可能变得更容易。在本研究中,我们使用以下三个核函数[25]。图五.三级SVM-BDT。以多数票选择最终类别标签。整个过程总结在图。第 六章在使用OvA方法解决C类问题时,需要使用C因此,3个二元分类器手中的问题。三等问题又分为线ar:K。D我我我我0JJj1.- 是 的Xd!Q¼1þð6Þ图7示出了两类分类问题和训练过程,其中类1是无癫痫,类2是癫痫发作前,类3是癫痫发作阶段。新的样本Xωn通过所有三个SVM,并且具有最高值的SVM值将决定最终的类标签。RadialB a sis:K.Xi;Xi0经验值1/4Jj1D-g的值J.xixi0分2秒!2.3.2. 人工神经网络一种全连接三层前馈神经网络JJj1ð8Þ(FFNN)如图所示 。 八、每一层都连接到它的上一层和下一层。这些连接与连接权重相关联。隐藏图层还包含一个数组其中,K·i·表示核函数,d是特征向量的维数,q是多项式的次数,g设置径向基的影响边界人工神经元,称为处理单元和每个神经元的激活函数f·。用于分类目的的一般前馈操作可以写为[16]:核函数SVM是一种只能处理两类分类问题的二元分类器。为了克服这个缺点,使用不同的策略来组合双gk. XizifnH第1页wkp fDWj1xiw!加油!ð9Þ进制 SVM 分类器 到 解决 多类分类问题在我们的案例中,我们需要将失神发作分为三个阶段。我们比较了三种不同的方法来组合二进制SVM分类器,这是二元决策树(BDT),一对一(OvO),和一对所有(OvA)。BDT方法需要C1分类器用于C类.将三类分类问题转换为两类分类问题,SVM 1在来自具有标签1的癫痫发作阶段(类3)的样本上训练,并且来自无癫痫发作阶段和癫痫发作前阶段(类1和2)的样本组合在一起作为具有标签1的一个类。然后,在来自具有标签1的无癫痫阶段(类别1)的样本和具有标签1的癫痫发作前阶段(类别2)样本上训练SVM 2。测试样本Xω通过两个SVM进行处理,以获得这个新样本的类别,两个SVM的结果是然后如图5所示进行组合。分类精度取决于上层的支持向量机使用OvO方法的C-类需要C-10C因此,对于三类问题,它需要3个二进制支持向量机。SVM 1在来自类别1(无癫痫)和类别2(癫痫发作前)的样本上训练,SVM 2在来自类别2和类别3(癫痫发作)的样本上训练,SVM 3在来自类别3和类别1的样本上训练。对于一个新的观测值(样本)X <$ω <$,多项式:K我K.I. Qazi等人/CAAI Transactions on Intelligence Technology 1(2016)137e 149143K其中下标j索引输入层中的单元,并且下标p索引隐藏层中的单元。表示隐藏单元p处的输入到隐藏层的权重。下标k表示输出层中的索引,nH表示隐藏单元的数量。d表示第i个输入样本的维数。与SVM相比,使用FFNN的优点在于,为C类(产出),的网络可以 学习C判别函数zk,并且训练输入Xi被分配给具有来自所有其他函数的最大值的函数zi通常,这些函数是通过众所周知的反向传播算法学习的.本算法的目标是Rithm是为所有连接找到一组权重值,使得它可以最小化实际输出和期望输出之间的误差。使用训练好的FFNN对新样本X<$ω <$为了达到最大的识别准确率的三个发作阶段,我们尝试了不同数量的隐藏层,隐藏节点和各种组合的激活函数在这项研究中。采用4层隐层模糊神经网络的识别精度最高。第一隐层有22个神经元,使用径向基激活函数。第二个隐藏层有一个8个神经元的数组,每个节点使用正切S形激活函数。第三和第四隐藏层分别包含10个和4个神经元144K.I. Qazi等人/CAAI Transactions on Intelligence Technology 1(2016)137e 149-.. Xi-mk..见图6。三级SVM-OvO。见图7。三级SVM-OvA。表1FFNN的类标记方案Class name Class labels无癫痫发作1; 0; 0癫痫发作前0; 1; 0癫痫发作0; 0; 1XCX2Je¼k1Xi2Dkð10Þ图八、三层前馈全连接神经网络。层使用对数正切sigmoid传递函数。输出层由三个神经元组成。输入层和输出层都使用线性激活函数。FFNN将大小为d的样本以及相应的类标签作为输入,然后产生大小为3的输出。分类标签方案见表1。在结果部分中提供了用于该4个隐藏层FFNN架构2.3.3. k-means聚类聚类问题可以定义为每个聚类与其均值mk的平方欧几里德距离之和:这个标准将聚类定义为它们的均值向量mk,在这个意义上,它使误差的平方长度之和Ximk最小化。其中C表示聚类(类)的总数,Xi是第i个样本,Dk是第k个聚类。因此,一个分区是最优的,如果它最小化Je,并且称为最小方差分割。在我们的情况下,数据被聚类为三组(无癫痫,癫痫发作前和癫痫发作阶段),并将一个新的样本分配到与这三个聚类距离最小值得一提的是,在训练过程之后,分类器的所有参数和权重都是固定值,可以在实际应用中使用。分类器给出结果的计算成本都很低,在大多数情况下可以忽略不计。3. 分类结果根据第2.1节,每个数据集(无癫痫、癫痫发作前和癫痫发作)有110个样本。为了使用从EEG信号中提取的特征来设计分类器,如K.I. Qazi等人/CAAI Transactions on Intelligence Technology 1(2016)137e 149145¼¼ðÞðÞðÞ为了进行分类实验,每个数据集被分成22个测试样本和88个训练样本。训练数据集用于训练分类器。在训练过程之后,使用测试数据集来测试分类器,以评估其对任何新模式(样本)的识别精度。训练数据集和测试数据集的识别准确率百分比是基于每个数据集中正确分类的样本分别计算的。3.1. 分类器为了进行基于SVM的分类器的实验,在所有的多类SVM分类器中使用了软间隔分类器。当使用多项式核函数(7)时,我们选择q 5.当使用径向基核函数(8)时,我们选择g0: 2.这些值用于所有实验中,这些实验是通过试错法实现的,以获得最佳性能。在 第 2.3.2 节 中 讨 论 的 FFNN 架 构 是 使 用 Levenberg-Marquardt反向传播算法使用训练样本及其相应的类标签进行30个时期的训练,初始学习率为10- 4。均方误差标准用于计算网络产生的输出与实际类别标签之间的误差。对于每一个成功的步骤,学习率减少10- 1,对于每一个失败,它增加5。该网络将40维特征向量作为输入,并产生大小为3的输出。 1; 0; 0表示无癫痫类别的观察结果,0; 1;0对应于癫痫发作前阶段的样本,0; 0; 1分类为癫痫发作阶段。对于k-MC,进行100次迭代以确定聚类中心。然而,聚类是一个随机过程,它从随机的聚类中心开始。在这些迭代过程中,如果聚类没有改变它们的位置,则确定新的聚类中心以避免局部极小值问题。这个过程重复了5次。3.2. 评价为了评估我们的特征提取方案的成功,并等同于学习算法和传统分类方法之间的识别精度,我们还选择了朴素贝叶斯和k-nn分类方法进行实验。为了估计朴素贝叶斯分类器的数据分布,我们采用了两种方法来估计输入数据分布。一个使用正态高斯函数(具有高斯函数NBN的朴素贝叶斯),另一个使用核平滑函数(具有核平滑函数NBK的朴素贝叶斯)。k-NN已经针对四个不同的k值进行了测试(即,1、3、5和7)。对于两种传统分类方法,分类标签1、2和3分别对所有方法的识别精度(分类性能)进行了评价。首先,使用原始数据集进行实验,没有任何噪声。在然而,由于信号转换、滤波、放大和环境条件等测量过程中的不确定性,脑电信号在处理过程中不可避免地会产生噪声。为了反映现实生活中患者的临床数据中存在的这些因素,基础癫痫发作识别系统在存在噪声的情况下将如何表现,并且还为了研究每个算法的鲁棒性,数据被不同水平(0. 05、0. 1、0. 2、0. 5和1. 0)的随机噪声污染。所有方法的识别准确度在表2和表7中给出,其中SVM-OvA表示具有一对所有策略的SVM分类器,SVM-OvO是具有一对一方法的SVM分类器,并且SVM-BDT示出了使用具有二叉决策树方法的SVM分类器线性、多项式和径向基核函数显示了与第节2.3.1. NN是由四个隐藏层结构组成的神经网络分类器,NBC是朴素贝叶斯分类方法,它使用两种不同的密度估计方法,正常(NBN)和核平滑函数(NBK)。k-NN被示为具有不同的k值(即,1、3、5和7)。最后,用k-MC给出了k-均值聚类结果.在表2中,示出了训练和测试数据集两者的识别准确度(%),其中可以看出,使用多项式核函数的SVM-OvO实现的最高平均测试准确率为93.9394%,相应的平均训练准确率为99.6970%。而1-NN的平均训练识别率最高,达到100%。另一方面,k-MC的平均测试准确率最低,为66.6667%.谈到成功预测癫痫发作前阶段,具有多项式核函 数 的 SVM-OvO 再 次 领 先 , 测 试 识 别 准 确 率 为90.9091%。此外,传统的分类方法不能以良好的识别精度预测癫痫发作前阶段。采用核函数的NBC使平均测试准确率从69.1358%提高到72.8395%。然而,NBC在预测癫痫发作前阶段方面提供了较差的性能。由于上述某些因素,实际数据不会平滑,并且会包含噪声。表3e 7总结了当原始测试数据集被不同级别的噪声污染时测试数据分类的结果。噪声的增加是一个随机过程。因此,为了收集统计信息,每个实验仅在测试数据集上重复10次。这些实验是在没有对噪声数据集训练分类器的情况下进行的。“最差”、“平均”、“最佳“和“标准差“(标准偏差)显示了所有三个癫痫发作阶段的总体值。最差个体是这些实验后获得的最低个体准确度。一般来说,当噪声水平增加时,识别精度降低。在所有的多类SVM方法中,多项式核函数支持向量机的识别精度都严重下降。然而,线性核函数的支持向量机在不同的噪声水平下表现出良好的鲁棒性。在所有的分类方法中,146K.I. Qazi等人/CAAI Transactions on Intelligence Technology 1(2016)137e 149表2使用原始数据集训练和测试EEG信号的识别准确性的总结分类器识别准确率(%)。噪音等级:1/4培训测试平均无癫痫发作前期扣押平均无癫痫发作前期扣押SVM-OvA线性93.030392.045587.045510086.060686.363677.272794.5455多项式99.697010099.090910080.909190.909188.181863.6364RBF93.863691.136490.454610086.969786.363674.5454100SVM-OvO线性94.469792.727390.681810085.454680.909176.363699.0909多项式99.69710099.090910093.939491.818290.909199.0909RBF93.787990.909190.454610087.272786.363675.4546100SVM-BDT线性94.393992.954690.227310086.969785.454675.4546100多项式99.772710099.318210091.515286.363689.090999.0909RBF93.863690.909190.681810086.666783.636476.3636100NN97.580697.590395.121910092.682996.296382.1428100k-MC70.281162.650648.192810066.666762.963040.740796.2963NBCNBN71.887690.361528.915796.385569.135885.185222.2222100NBK85.943810057.831310072.839588.888933.333396.2963K-NN1-NN10010010010085.185285.185274.074196.29633-NN93.172793.975985.542210080.246981.481562.963096.29635-邻硝基甲苯91.967990.361485.542210080.246981.481562.963096.29637-NN91.566389.156685.542210087.654388.888977.777896.2963表3在噪声水平为0.05的测试数据集下测试EEG信号的识别准确性的总结分类器识别准确率(%)。噪音水平<$0.05整体(无癫痫、癫痫发作前、癫痫发作)最糟糕平均最好STD无癫痫发作前期扣押SVM-OvA线性83.03038486.36361.378782.72737091.8181多项式77.272779.939482.42421.872987.272783.636460RBF85.151586.060686.66670.710783.63670100SVM-OvO线性83.030385.333386.06061.296377.272772.727398.1818多项式88.787991.090993.33331.635385.454681.818299.0909RBF84.844585.878887.27270.948684.545470100SVM-BDT线性84.848585.939487.87881.145981.818272.727399.0909多项式89.69790.909192.42420.98289.090972.272796.3636RBF85.757686.060686.66670.371184.545570100NN87.804991.300995.12191.993288.888978.571492.5925k-MC65.432165.802566.66670.596462.963040.740792.5926NBCNBN69.135869.135869.1358085.185222.2222100NBK72.839572.839572.8395088.888933.333396.2963K-NN1-NN3-NN85.185279.012485.18528085.185280.24691× 10-140.520085.185277.777874.074162.963096.296396.29635-邻硝基甲苯80.246980.740782.71611.040081.481562.963096.29637-NN85.185286.543287.65431.080081.481574.074196.2963K.I. Qazi等人/CAAI Transactions on Intelligence Technology 1(2016)137e 149147表4在噪声水平为0.1的测试数据集下测试EEG信号的识别准确性的总结分类器识别准确率(%)。噪音水平<$0.1总体(无癫痫、癫痫发作前、癫痫发作)最差平均值最佳标准无癫痫发作癫痫发作前癫痫发作SVM-OvA直线型80.9091 82.0606 83.333 1.0584 81.8182 67.2727 88.1818多项式78.7879 79.8788 80.9091 0.9959 89.0909 82.7273 60.9091电话:+86-051 - 88888888传真:+86-051 - 88888888SVM-OvO直线83.6364 84.8485 78.7576 0.8835 76.3636 73.6364 98.1818多项式89.697 90.9091 92.1212 1.0276 87.2727 83.6364 97.2727电话:+86-510 - 8888888传真:+86-510 - 88888888SVM-BDT直线82.4242 84.2424 86.3636 1.469 78.1818 66.3636 99.0909多项式89.697 90.8485 92.1212 1.1009 86.3636 83.6364 97.2727电话:+86-510 - 8888888传真:+86-510 - 8888888NNk-MCNBC87.8048 90.0406 93.9024 2.0527 88.8889 71.4286 92.592664.1975 65.5556 66.6667 0.7008 62.9630 37.037 92.5926NBN 69.1358 39.1358 69.1358 0 85.1852 22.2222 100电话:+86-021 - 8888888传真:+86-021 -8888888K-NN1-NN 85.1852 85.1852 1× 10-14 85.1852 74.0741 96.29633-NN 79.0124 80.1235 80.2469 0.3900 77.7778 62.9623 96.29635-NN 80.2469 81.4815 82.7161 1.3000 81.4815 62.9630 96.2963电话:+86-021 - 88888888传真:+86-021 - 88888888表5在噪声水平为0.2的测试数据集下测试EEG信号的识别准确性的总结分类器识别准确率(%)。噪音水平<$0.2总体(无癫痫、癫痫发作前、癫痫发作)最差平均值最佳标准无癫痫发作癫痫发作前癫痫发作SVM-OvA直线81.5152 82 82.7273 0.5505 78.1818 70.9091 88.1818多项式76.6667 78.6061 79.697 1.1853 86.3636 80 60电话:+86-051 - 8888888传真:+86-051 - 88888888SVM-OvO直线83.636
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 共轴极紫外投影光刻物镜设计研究
- 基于GIS的通信管线管理系统构建与音视频编解码技术应用
- 单站被动目标跟踪算法:空频域信息下的深度研究与进展
- 构建通信企业工程项目的项目管理成熟度模型:理论与应用
- 基于控制理论的主动队列管理算法与稳定性分析
- 谷歌文件系统下的实用网络编码技术在分布式存储中的应用
- CMOS图像传感器快门特性与运动物体测量研究
- 深孔采矿研究:3D数据库在采场损失与稳定性控制中的应用
- 《洛神赋图》图像研究:明清以来的艺术价值与历史意义
- 故宫藏《洛神赋图》图像研究:明清艺术价值与审美的飞跃
- 分布式视频编码:无反馈通道算法与复杂运动场景优化
- 混沌信号的研究:产生、处理与通信系统应用
- 基于累加器的DSP数据通路内建自测试技术研究
- 跨国媒体对南亚农村社会的影响:以斯里兰卡案例的社会学分析
- 散单元法与CFD结合模拟气力输送研究
- 基于粒化机理的粗糙特征选择算法:海量数据高效处理研究
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)