Jacobi多项式变换用于癫痫发作检测和眼状态识别的EEG信号分类

医学信息学解锁23（2021）100536基于Jacobi多项式变换的EEG信号分类用于癫痫发作检测和眼状态识别复杂度最小二乘支持向量机Laurent Chanel Djoufack Nkengfacka，b，*，Daniel Tchiotsopb，Romain Atanganaa， b，Val'erieLouis-Doorc，DidierWolfca德尚大学理学院Uni t'edeRecherchedeMat i'ereConden s'ee-d' E 'lectronique et de Traitement du Signal（UR-MACETS），P.O. 方框67-Dschang，喀麦隆bUni t'edeRecherched' Automatique et d ' Informatique Eurq u' ee（UR-AIA），IUT-FV of Bandjoun，University of Dschang，P.O. Box134-Bandjoun，喀麦隆cCentre 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：自动分类系统癫痫发作检测眼状态识别脑电信号雅可比多项式变换复杂性最小二乘支持向量机A B S T R A C T背景和目的：癫痫是人类最常见的神经系统疾病，其特征是反复发作，导致神经、认知、心理和社会后果。此外，脑状态的自动识别可以有助于眼-脑-机接口。这就是为什么在过去的几十年里，许多研究人员专注于开发用于自动分析和检测癫痫发作和眼睛状态的分类系统，然后可以将其集成到旨在检测癫痫发作并触发局部治疗以阻断或抑制癫痫发作进展并改善患者生活条件的植入式设备中。在这种推动下，这项工作的目的是开发一种新的自动分类系统，可以进行检测和识别脑电图（EEG）信号是否属于癫痫患者在癫痫发作或无癫痫的条件下，或正常人与打开或关闭的眼睛。方法：建议的分类系统由基于Jacobi多项式变换（JPT）的模型组成。离散Legendre变换（DLT）和离散Chebychev变换（DChT）首先提取脑电信号的β（β）和γ（γ）节律。此后，不同的措施的复杂性计算从EEG信号和提取的节奏，并施加作为输入的最小二乘支持向量机（LS-SVM）分类器与径向基函数（RBF）内核。结果：进行Kruskal-Wallis统计检验，并证明计算的基于JPT的复杂性措施充分区分EEG信号，因为它们的值显着高于癫痫发作EEG信号相比，无癫痫和正常EEG信号与打开或关闭的眼睛。此外，这些措施被用来构建11个相关的分类问题，使用LS-SVM获得了曲线下面积（AUC）在0.983和1之间，这仍然是成比例的最大分类准确度为88.75%和100%的正常与睁开眼睛与正常与闭上眼睛，和正常与癫痫发作或癫痫发作与癫痫发作分类问题，分别。结论：总体而言，发现所提出的分类系统扩展到实际应用中不那么复杂，并且可以适用于自动癫痫发作检测和眼睛状态识别。1. 介绍脑电图（EEG） 是 记录 反射电大脑的活动，并可能包含有用的信息，大脑状态，如癫痫和眼睛的状态。癫痫是人类最常见的神经系统疾病，其特征是反复发作*通讯作者。 Uni t'edeRecherchedeMat i'ereConden s'ee-d' E 'lectronique et de Traitement du Signal（UR-MACETS），理学院，德昌大学，P.O. BoX 67-Dschang，喀麦隆。电子邮件地址：laurentdjoufack@gmail.com，laurentdjoufack@yahoo.com（L.C.Djoufack Nkengfack），丹尼尔。gmail.com（D。azongmeromain@gmail.com（R. Atangana），Valerie. univ-lorraine.fr（V. Louis-Door），Didier. univ-lorraine.fr（D. Wolf）。https://doi.org/10.1016/j.imu.2021.100536接收日期：2020年9月14日;接收日期：2021年2月8日;接受日期：2021年2月8日2021年2月17日在线提供2352-9148/©2021的 作者。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：http://www.elsevier.com/locate/imuL.C. Djoufack Nkengfack等人医学信息学解锁23（2021）1005362[1]的文件。癫痫发作被定义为大脑电功能的突然变化，导致行为改变，如失去意识，运动不稳定，暂时失去呼吸和记忆丧失。因此，未检测到和不受控制的癫痫发作可能对患者的生活质量产生破坏性影响。因此，脑状况的自动识别可以有助于使用完全植入式设备检测和减少癫痫发作的发作，并且还有助于眼-脑-计算机接口。最初，脑电信号的分析是纯视觉的，乏味的，耗时的，需要医生.改变这种旧的分类方法被证明是一项非常重要的任务，获得了很多关注和大量的努力。在过去的几十年中，生物医学信号处理中的一些研究集中在使用时域、频域和时频域上的线性和非线性测量来开发分类系统，用于在癫痫发作检测和眼状态识别中对EEG信号进行自动分析和分类[2出于这一目的，Umut Orhan等人[2]应用K均值聚类方法来计算每个子带中的概率分布，并使用基于多层感知器神经网络（MLPNN）的分类模型来实验五个分类问题，准确率在96.67和100%之间，而不是使用小波系数的基本统计或非线性特征。Yatindra等人。[3]提出了一种基于离散小波变换（DWT）分析的分类方案，该方案计算EEG信号的近似熵（ApEn）作为人工神经网络（ANN）的特征，用于6个分类问题，仅对两个问题获得了100%的最高分类准确率。该方案还表明，癫痫脑电信号比正常脑电信号更可预测。此后，Abdulhamit Subasi等人[6]也提出了一种基于粒子群优化的混合SVM系统并给出了遗传算法的优化方法， 经典，经典对正常和癫痫发作脑电信号的分类准确率达到99.38%。见参考文件[8]，Li et al.结合模糊熵（FuzzyEn）和分布熵（DistEn）对脑电信号的非线性进行分析，并利用二次判别（QD）分类器对非线性脑电动力学特征进行识别结果表明，FuzzyEn和DistEn的性能可以相互补充，两者结合后，对癫痫脑电信号正常分类的准确率、灵敏度和特异度分别达到93.00%、91.00%和96.00%;对癫痫脑电信号正常分类的准确率、灵敏度和特异度分别达到在同样的动力下，古普塔和帕乔里[10]提出了一种基于加权多尺度Renyi排列熵（WMRPE）和EEG信号的Fourier-Bessel级数展开（FBSE）获得的节律的癫痫发作分类的新方法，其对于正常与发作分类问题获得了99.50%的最大分类准确度，对于无癫痫与发作分类问题获得了97.50-99.50%的最大分类准确度，而对于非癫痫发作与癫痫发作的分类问题，使用不同的分类器，如随机森林（RF），最小二乘支持向量机（LS-SVM）和回归的98.60%。Aung和Wongsawat [13] 还 提 出 了 一 种 用 于 癫 痫 检 测 的 改 进 分 布 熵（mDistEn）。结果表明，他们提出的mDistEn方法在区分正常与癫痫EEG信号方面成功地实现了91.00%的更好准确性。最近，Djoufack等人。[15]还提出了一种基于Jacobi多项式变换（JPT）的新系统，该系统解决了12个EEG信号分类问题。在该系统中，使用所提出的基于JPT的替代方法提取EEG节律之后，提取统计、能量和Shannon熵特征，使用线性判别分析（LDA）将其降维为低维特征向量，并将其作为SVM的输入，其用于癫痫发作检测和眼睛状态识别的最大准确率在96.25%和100%之间。然而，首次观察到，大多数已报道的EEG信号分类系统具有有限的成功率，而SVM具有最小二乘 延伸 旨在 到 被更 准确 比 其他分类器机械.此外，辨别生物数据集内的复杂程度的能力已经变得越来越重要，即使一些模型扩展到非常复杂的EEG信号分类的实际应用。另一方面，更多的努力集中在脑电节律提取方法和复杂性措施作为特征，以解决不同的分类问题的关联。此外，这些分类系统中的一些分类系统不将提取的节律与文献中定义的谱系数相关，如参考文献[15]所示。简而言之，尽管使用了许多技术，但多项式变换尚未与用于EEG信号分类目的的复杂性度量相关联，即使已经表明频谱系数的物理解释导致癫痫发作检测和眼睛状态识别中的自动诊断的新问题[15]。在这种推动下，这项工作提出了一种新的自动分类系统，可以执行检测EEG信号是否属于癫痫患者在癫痫发作或无癫痫的条件下，或正常人与开放或关闭的眼睛使用基于JPT的复杂性和LS-SVM与RBF内核的措施。在该分类系统中，在EEG上计算ApEn、样本熵（SampEn）、排列熵（PermEn）和FuzzyEn等复杂性度量，并在提取后计算beta（β）和gamma（γ）节律使用离散勒让德变换（DLT）和离散切比雪夫变换（DChT）。这些措施，然后单独应用，并结合作为输入功能的LS-SVM的11个相关的分类问题的评估。这项工作安排如下。第2节介绍了所用EEG数据库的详细信息。本文简要介绍了利用JPT技术提取脑电β和γ节律的方法。 算法的复杂性和LS-SVM分类器的不同措施。在本节的最后，提出了不同的分类问题与指标的性能评估，并描述了所提出的系统。第3节根据11个相关的分类问题，将所得结果与文献中提出的其他系统进行了介绍、讨论和比较。第四部分是对本研究的总结。2. 材料和方法本节描述了用于开发我们的自动化分类系统的一组材料和方法，如图1所示。我们提出的分类系统应用JPT来提取β和γ节律，然后计算用作LS-SVM分类器的输入的复杂性度量2.1. 数据库描述该数据库包括从不同记录区域以及从不同生理和病理脑状态收集的脑电活动。为该研究组成的数据库由五个集合（集合A-E）形成，每个集合包含4097个样本（23.6秒持续时间）的100个单通道EEG推导，样本频率为173.61赫兹[16]。A组和B组分别对应于使用国际10-20电极放置系统记录的健康和放松志愿者在清醒状态下睁眼和闭眼的表面EEG信号。集合C、D和E对应于癫痫患者在无癫痫发作（集合C和D）和癫痫发作（集合E）间隔期间的颅内EEG记录。C组和D组衍生物分别从大脑的对侧半球的海马结构和致痫区测量。从所有表现出发作活性的记录位点中选择E组衍生物。每个集合的第一EEG信号的E_X_emit在图1中描绘。 二、2.2. 使用JPT脑电信号可能包含非平稳和非线性特征。因此，β和γ节律的有效提取使用L.C. Djoufack Nkengfack等人医学信息学解锁23（2021）1005363M. ） ]j2x⎧Fig. 1. 自动分类系统框图。图二. EEG信号的EXemission [16]。Djoufack等人提出的JPT方案[15]。该方法的一个优点是不需要预处理阶段，因为频率分别使用（1）和（2）中的DLT和DChT方程适当的信号的占用离散Jacobi多项式然后，这方法结合了2k+1∑Lk.xj）。）的方式J预处理和处理阶段同时进行，αk=M（M+1）j=0 [LMsx，k = 0，1，...，M-1Mβ和γ节律的同步可以作为一步过程来实现好吧）的方式（一）此外，它表明，JPT收集以及可能的EEG节奏通过减少 重叠 和消除 连续成分该方案的实施情况简述如下：如下所示：⎪⎪⎩αM=M1∑j=0·+1个L.C. Djoufack Nkengfack等人医学信息学解锁23（2021）1005364s xjLM.xj），K=ML.C. Djoufack Nkengfack等人医学信息学解锁23（2021）1005365M+1⎨⎪K联系我们M+（）（）联系我们⎪0=M+1J22ln（）⎪⎧α1 ∑s。（x）时间序列的规律性或可预测性[22不像香农熵，ApEn说明时间序列中点的时间顺序{[]}因此，它被认为是随机性的度量[24]。=1Σ+scos（2j-1）π给定长度为N的时间序列数据{u（i），1≤i≤N}，近似熵为M+1j=1⎪2（M+1）计算公式：ApEn（m，r，N）=Φm（r）-Φm+1（r）（4）α∑M+1s。x）cos[k（2j-1）π]k=M+1j2（M+1）其中，m和r是作为正整数固定的嵌入维数j=1和相对公差限值固定为正实数，M+1⎪[（2j-1）]}[k（2j-1）]很好Φm（r）和Φm+1（r）表示对于m-和（m+1）-的两个数据点之间的相似性度量的对数概率。M=M+1Sj=1cos2（M+1）π*cos2（M+1）π、k= 1，2，3，...，M（二）二维序列，分别[222.3.2. 样本熵（SampEn）其中αk定义信号s在Jacobi基分量Jα，β上的投影，M是逼近阶。• 利用傅里叶变换，选取β和γ节律的相应谱系数;然后，对于每个选定的频谱系数，等式（3）提供EEG信号的提取的节律，并给出示例由于ApEn固有地包括对规则性的偏向，因为它将计算向量的自匹配，Richman和Moorman[25]开发了一种不计算自匹配的SampEn，从而消除了对规则性的偏见。除了消除自匹配之外，SampEn算法比ApEn算法更简单对于给定的时间序列数据u i，1我N 长度为N，SampEn为使用以下等式计算：图 其中DLT和DChT获得了类似的结果。s（x）=∑αkJα，β（x）（3）SampEn（m，r，N）=阿米（r）（5）Bm（r）Kk=0其中，m和r分别为嵌入维数（固定为正整数）和相对公差极限（固定为正实数），2.3. 复杂性度量最近，使用熵将复杂性定义为人类EEG数据中的周期性或规律性已经变得非常流行[3，5，7，8，10，13，14，17熵对它们的输入参数极其敏感。此外，较低的熵值指示数据携带更多的信息，并且比数据具有较高的熵值时更可预测。这项工作使用ApEn，SampEn，PermEn和FuzzyEn作为生物医学EEG数据分析的复杂性度量，以讨论基于多项式变换的复杂性度量在癫痫发作检测和眼状态识别中的潜力。2.3.1. 近似熵近似熵是由Steven Pincus开发的，很好Am r和Bm r分别表示m维和（m 1）维序列的两个数据点之间的相似性度量的概率[25]。2.3.3. 排列熵与ApEn和SampEn不同，Bandt和Pompe提出了PermEn作为平均熵的参数来描述时间序列的复杂性[26]。PermEn考虑了时间序列中值因此，它在信号的非线性失真下是鲁棒的，并且在计算上也是高效的[27]。这些优点使其适用于分析大规模的数据集，而无需任何预处理和微调参数。给定时间序列数据u i，1我N长度为N的向量，窗口长度或 嵌入 尺寸m和 时间延迟 τas∑·j=1{L.C. Djoufack Nkengfack等人医学信息学解锁23（2021）1005366图三. （a）睁眼时的正常EEG和（b）癫痫发作EEG的β（β）和γ（γ）节律提取。其中（i）表示EEG信号，（ii）和（iii）分别表示使用DLT和DChT提取的节律（从上到下，我们有β和γ）。L.C. Djoufack Nkengfack等人医学信息学解锁23（2021）1005367{≤ ≤}（- （- ）的情况）=∑联系我们（）下一页T+F不 +F+T+Fk=1k=1N[客户端]积极 整数， 和 构建体 的 设置 的 序数 模式 Ωm Ωi，1我m！和 来自初始时间序列数据的N m1 *τm维向量。将每个m维向量排列为递增顺序，使得对应的有序模式为πi[26]。然后，使用香农熵将PermEn评估为：N-（m-1）*τ选择这个统计测试是因为我们的样本量不大，而且我们计算的复杂性度量可能是非正态分布的。如果p值小于0.01，则计算的测量值具有显著差异。对于不同的分类问题，计算的复杂性的措施单独应用，并结合作为输入的LS-SVM。然后，对所获得的结果进行分析，PermEn（m，τ，N）=-i=1piln（pi）（6）比较以找到为如下设计的11个相关分类问题其中pi表示每个有序模式的概率分布π上的π。2.3.4. 模糊熵在2007年，Chen等人[28]开发了一个新的相关统计家族，称为FuzzyEn，它具有更自由的参数选择和更强的噪声鲁棒性。FuzzyEn作为复杂性的度量，排除了像SampEn这样的自匹配。对于时间序列数据，u i，1我N 长度为N，FuzzyEn为定义如下：FuzzyEnmnrNln（X（r））（7）A-E：睁眼时正常vs癫痫发作; B-E：闭眼时正常vs癫痫发作;C-E：海马结构无癫痫发作与癫痫发作; D-E：致痫区无癫痫发作与癫痫发作;AB-E：睁眼和闭眼时正常vs癫痫发作; CD-E：无癫痫发作vs癫痫发作;ACD-E：睁眼正常且无癫痫发作vs癫痫发作; ABCD-E：正常且无癫痫发作vs癫痫发作;AB-CDE：睁眼和闭眼时正常vs无癫痫发作和癫痫发作;• AB-CD：睁眼和闭眼时正常vs无癫痫发作;（，）=Y（r）• A-B：睁眼正常与闭眼正常。其中m和n分别是边界的嵌入维数和参数梯度，固定为正整数，r是相对公差限，固定为正实数。X（r）和为了方便起见，并使用模糊函数μ（dij，r）=exp（-（dij/r）n）捕获尽可能多的详细信息，Chen等人。[29]建议使用大于参数梯度之一的小整数此外，10折交叉验证技术和留一交叉验证技术（LOO-CV）（其是交叉验证的特殊情况，其中折数等于数据集中的样本数）与训练数据相关联，以确定LS-SVM的最佳参数并实现最佳性能效率。 然后，用于评估LS-SVM性能的四个度量定义如下：边界;边界2.4. 最小二乘支持向量机专属性：Spe（%）=100 ×TNTP（十一）在[30]中，Suykens和Vandewalle引入了一个扩展，灵敏度：Sen（%）=100 ×TP+FN（12）标准SVM称为LS-SVM。LS-SVM是一种基于核的学习算法，通过求解线性方程组来分析和分类模式准确度：Acc（%）=100×TN+TP（十三）给定训练集{（x k，y k）}N，其中x k∈ IRn和y k∈ {± 1}是输入和类标签，参数ω= ∑Nαky k（xk）和b通过求解公式获得：minJ（ω，b，e）=1ωTω+1γ∑ε2（8）K受试者工作特征（ROC）曲线：ROC曲线是一种标准的图形化方法，用于对性能进行分类并全局可视化ω，b，e2 2k=1二进制诊断系统的行为[31它代表诊断系统在不同概率阈值下的性能受平等约束：y kωT（x k）+b=1-ε k，k=1，2，.，其中γ是正则化参数，ε k，k=1，2，...，错误是-在LS-SVM分类器的所获得的输出和期望的输出之间进行比较。因此，通过结合拉格朗日乘子α k，k=1，2，.，不，这个骗局-最优性的条件和核的Mercer[30]：[][∑N]因为它可视化了模型的灵敏度和特异性的所有可能组合。灵敏度或真阳性率（TPR）相对于y轴作图，1-特异性或假阳性率（FPR）相对于X轴作图。然而，为了测量系统的整体性能或区分能力，或者为了比较不同的分类器，独立于特定的阈值，使用称为ROC曲线下面积（AUC）的单个测量，使得较高的AUC显示更好的诊断系统。其中，TN、FP、TP和FN是真阴性（1类：y（x）=signωT（xk）+b=signk=1αkyk K（x，xk）+b（十）正常或无癫痫）、假阳性、真阳性（类别2：无癫痫或癫痫发作）和假阴性（例如，对于A-E分类问题，类别1是A，类别2是E）。2.5. 绩效评估的分类问题和度量在这项工作中，脑电信号的分类与癫痫发作检测和眼部状态识别的临床应用密切相关。整个Bonn EEG数据库[16]、JPT、复杂性度量、LS-SVM和称为Kruskal-Wallis统计检验的非参数检验用于设计和研究不同的分类问题。执行统计测试以确定计算的复杂性度量的统计显著性我们2.6. 拟议分类系统说明如图1所示，这项工作提出了一种新的自动分类系统，该系统使用基于JPT的复杂性度量和具有RBF核的LS-SVM，可以执行该系统以检测EEG信号是否属于癫痫发作或无癫痫条件下的癫痫患者，或者属于··········L.C. Djoufack Nkengfack等人医学信息学解锁23（2021）1005368睁开或闭上眼睛的正常个体在这个分类系统的信号采集阶段，我们使用了在线可用的数据库L.C. Djoufack Nkengfack等人医学信息学解锁23（2021）10053692σ它由分成五个不同类别的五百个EEG信号组成。在信号采集之后，进行高效和瞬时的分析，表1统计分析所提出的基于JPT的复杂性度量EEG信号的β和γ节律的提取最初使用措施EEG DLT分析DChT分析DLT和DChT。此后，使用四种不同的复杂性度量，即ApEn、SampEn、PermEn和FuzzyEn，作为输入，对EEG和提取的节律中的复杂性进行分析特征为的LS-SVM与RBF内核K（x，xk）=exp（-12xk-x），从而可以做出决定。为在不同测量的计算中，对于ApEn和SampEn，（m，r）的值被设置为（3，0.2），对于PermEn，（m，τ）的值被设置为（4，1），并且对于FuzzyEn，（m，n，r）的值被设置为（3，2，0.2）。所提出的系统的性能进行评估，使用先前定义的11个相关的分类问题。对于不同的分类问题，每组EEG信号的前60%用于形成训练集，每组EEG信号的后40%用于形成测试集。将10折交叉验证技术和训练数据集相结合来训练和找到正则化，复杂性ApEn A：平均值（SD）B：平均（SD）C：平均（SD）D：平均值（SD）E：平均值（标准差）1.002（0.118）0.897（0.169）0.675（0.156）0.619（0.184）0.563（0.125）β节奏0.891（0.050）0.831（0.073）0.942（0.043）0.851（0.142）0.689（0.089）γ节奏1.001（0.030）0.964（0.044）1.033（0.022）1.017（0.078）0.789（0.105）β节奏0.885（0.051）0.824（0.073）0.939（0.043）0.845（0.146）0.675（0.089）γ节奏0.996（0.028）0.965（0.041）1.026（0.024）1.015（0.073）0.785（0.104）最优分类器的核参数（gam，sig2），以及测试数据集用于确定训练的分类器的性能p值1.5810-603.2310-533.8410-691.4410-545.1310-68这项工作使用了参考文献[34]中提出的LS-SVM工具箱，其中使用具有10倍交叉验证技术的tunelssvm函数和trainlssvm函数来找到最佳LS-SVM分类器。因此，使用simlssvm函数来确定最优LS-SVM分类器的性能。新的是，据我们所知，这项工作是第一个应用新提出的JPTs方法进行节律提取，然后使用不同的复杂性度量计算低维特征向量，以定义人类EEG信号中的周期性和规律性，从而可以显着提高分类性能。此外，只有两个EEG节律用于特征提取因此，相关的潜在的协会样品A：平均值（SD）B：平均值（标准差）(SD)丁：平均值（标准差）（SD）1.004（0.161）0.894（0.197）0.571（0.194）0.800（0.122）0.687（0.151）0.809（0.195）0.569（0.118）0.497（0.137）0.589（0.107）0.741（0.120）0.624（0.143）0.770（0.199）0.452（0.046）0.405（0.073）0.495（0.047）可以讨论对每个度量的多项式变换，并且可以建立与癫痫发作和眼睛状态的总的来说，p值2.1210-675.3410-583.63十到二十2.0510-635.1710-36所提出的分类系统对于实际应用来说不太复杂，并且可以适用于癫痫和眼睛状态识别中的自动分析和诊断。3. 结果和讨论3.1. 结果上一节中提出的基于JPT的复杂性度量已应用于500个EEG信号。虽然EEG信号定义了五种主要的频率节律，但只有EEG、β和γ节律考虑了在本工作中，ApEn（3，0.2，4097），SampEn（3，0.2，4097），PermEn A：平均值（SD）B：平均值（标准差）（SD）2.406（0.130）2.179（0.226）2.476（0.029）2.438（0.034）3.064（0.015）3.032（0.039）2.482（0.027）2.445（0.031）3.088（0.017）3.050（0.043）×××××××××××丙：0.6360.9320.6180.8880.487是说（0.162）（0.082）（0.132）（0.083）（0.047）E：0.4330.4460.4570.3710.383是说（0.135）（0.124）（0.123）（0.097）（0.085）丙：2.3842.5023.0832.5053.109是说（0.187）（0.029）（0.014）（0.028）（0.014）（SD）丁：2.2752.4793.0792.4863.106是说（0.185）（0.049）（0.015）（0.045）（0.015）（SD）E：1.8562.3333.0182.3433.042L.C. Djoufack Nkengfack等人医学信息学解锁23（2021）10053610计算复杂度的PermEn（4，1，4097）和FuzzyEn（3，2，0.2，4097）度量。统计分析使用p值1.0610-524.7010-636.7410-701.8810-632.0310-70Kruskal-Wallis检验，以确定EEG以及β和γ节律的复杂性计算指标的统计学显著性（p<表1总结了对以下各项的Kruskal-Wallis统计检验的结果：计算的措施。考虑到上述统计分析的结果，一些计算的测量结果的比较被预测并呈现在图1和图2中。四比六这些投影提出了不同的分类问题，并且可以用于可视化和确定计算的复杂性度量是否能够检测EEG信号是否属于癫痫患者在癫痫发作或无癫痫的情况下，或对于睁眼或闭眼的正常个体。基于Kruskal-Wallis检验和视觉投影的统计分析的熵度量的实验分析表明，计算的基于JPT的复杂性度量对EEG和节律具有指示性和区分性。另一方面，基于JPT的复杂性度量试图明确地对数据中的类标签之间的差异进行建模，并且可以使用分类器来实现对不同分类问题的成功区分。因此，在本发明中，FuzzyEn A：平均值（标准差）（SD）E：0.821（0.124）0.974（0.051）1.087（0.088）0.959（0.053）1.023（0.069）××××乙：0.8170.9200.9330.9020.882是说（0.106）（0.062）（0.174）（0.062）（0.152）（SD）丙：0.5121.0211.1481.0131.083是说（0.112）（0.040）（0.086）（0.041）（0.060）丁：0.4740.9331.0860.9231.042是说（0.144）（0.143）（0.120）（0.147）（0.100）（SD）平均值p值0.494（0.132）3.89×0.762（0.093）2.66×0.764（0.149）8.87×0.734（0.089）7.93×0.726（0.140）4.64×L.C. Djoufack Nkengfack等人医学信息学解锁23（2021）10053611见图4。 一些EEG复杂性测量的比较。图五. 一些基于DLT的复杂性度量的比较。图六、 一些基于DChT的复杂性度量的比较。基于上述统计分析和数据库比较的结果，我们使用LS-SVM分类器对11个相关的分类问题进行了检验和比较。因此，根据用于节律提取（DLT或DChT）和周期性或规律性分析（ApEn、SampEn、PermEn或FuzzyEn）的方法，可以从所提出的用于癫痫发作检测和眼睛状态识别的分类系统构建不同的模型。作为例子，我们有β-LS-SVM中的DLT-ApEnβ-γ-EEG-LS-SVM中的DChT-SampEn。因此，所计算的复杂性度量被应用为LS-SVM的输入，以确定针对每个模型的所构建的最优LS-SVM分类器的性能，并且在表2-5中总结并比较了使用相似的10倍CV和LOO-CV获得的结果，其中粗体表示针对每个分类问题的最高性能。关于表5并且对于使用基于JPT的复杂性度量和LS-SVM的不同分类问题，训练和测试L.C. Djoufack Nkengfack等人医学信息学解锁23（2021）10053612=表2LS-SVM分类精度使用EEG复杂性度量分类问题ApEn样本熵佩尔姆恩模糊一切措施A至E98.7598.7597.5095.0098.75B -E93.7597.5092.5076.2596.25C -E75.0081.2593.7560.0075.00D -E70.0077.5092.5072.7596.25AB - E95.8398.3395.0094.1797.50CD -E70.8374.1794.1764.1780.00ACD -E77.5081.2595.6364.3895.63ABCD -E81.5083.5094.0071.5092.00AB-CDE89.0088.0069.0095.0092.00AB -CD83.7586.2557.5091.8897.50A -B70.0071.2571.2561.2580.00最高LS-SVM分类性能的具有相应AUC的ROC曲线如图7所示。将Sen绘制为训练和测试数据的1-Spe的函数。通常，如图7所示，具有相应AUC的ROC曲线总结了每个模型的性能，并证明了所提出的分类系统的最高区分能力。从AUC 1的顺序可以看出，使用相应的模型可以实现完美的类别区分。简而言之，由于不同的曲线通过ROC空间的左上角，并且获得的AUC在0.983和1之间仍然成比例，因此获得的分类性能更高 分类的准确性。因此，根据所获得的训练和测试数据的较高AUC，表明可以以较高的概率正确地检测随机癫痫发作或眼睛状态3.2. 讨论表1给出了EEG和提取的节律的统计分析，其表示为平均值、标准差（SD）和统计显著性，用于区分和分类。 从表1中可以清楚地观察到，集合A、B、C、D和E EEG信号的计算PermEn高于EEG以及β和γ节律中的其他计算测量。这与使用相同数据库的先前研究结果密切相关[19，35]。在DLT和DChT分析中，γ节律的测量值高于β节律的测量值，表明计算的测量值随频带占用而增加。此外，所有测量的p值都具有统计学显著性，可用于构建不同的分类问题。从图如图4- 6所示，观察到所计算的复杂度测量本身可以充分区分EEG信号。在更多的情况下，计算的措施的重叠是非常低的。图图4- 6还表明，对于复杂性的每个度量，集合E具有最低值，这意味着数据集合E比集合A、B、C和D更规则、更周期和更可预测。数据集A和B以及数据集C和D在这两种情况下都更加重叠，因为它们分别在正常和无故障条件下记录。统计分析和比较的结合表明，基于JPT的复杂性度量可以用于检测脑电信号是否属于癫痫癫痫发作或无癫痫的患者，或正常人睁开或闭上眼睛。很明显，计算的措施可以很容易地应用作为输入的LS-SVM分类器，可以获得良好的性能。因此，表2-表5根据不同的分类问题总结了最高性能。从我们目前的研究，它被发现，对于每一个分类问题，LS-SVM的性能更高。从模拟结果来看，10倍CV比LOO-CV具有最小的计算成本，并且两种交叉验证技术给出了类似的结果。表3使用基于DLT的复杂性度量的LS-SVM分类精度。分类问题样本熵β91.2587.5098.7586.2593.3392.5093.7593.5073.5072.5060.00ApEnβ92.5090.0097.5082.5091.6790.0090.0091.0072.5075.0063.75模糊β91.2591.2598.7583.7592.5089.1791.2591.0077.5075.6360.00佩尔姆恩β96.2588.7596.2591.2591.6794.1795.6394.5076.5076.2567.50一切措施β-γ96.2591.2510088.7593.3393.3395.6394.5081.5079.3876.25β-γ-脑电图98.7597.5098.7588.7596.6795.0096.8897.0086.0088.1380.00β-γ93.7585.0010086.2591.6790.8393.1392.5073.0075.0071.25β-γ97.5072.5098.7597.5090.0098.3398.1389.5077.5085.0088.75β-γ-脑电图98.7592.5098.7590.0095.0093.3394.3893.5092.0095.0078.75β-γ-脑电图10088.7598.7597.5092.5098.3398.7596.0076.0085.6387.50β-γ97.5088.7510093.7591.6795.0093.7591.5077.0076.2578.75β-γ98.7592.5098.7597.5092.5098.3398.1394.0080.5082.5083.75β-γ-脑电图97.5096.2510095.0094.1797.5094.3893.0088.5095.0075.00β-γ-脑电图98.7510098.7598.7598.3399.1797.5097.0091.0094.3886.25γ95.0087.5098.7595.0091.7796.6795.0092.5077.5078.7572.50γ87.5067.5096.2596.2574.1796.6792.5082.0072.0083.1380.00γ75.0062.5076.2576.2566.6780.0082.5075.0061.0066.8873.75γ95.0070.0096.2592.5079.1794.1795.6385.5065.0068.7581.25β96.2591.2597.5093.7595.0095.8394.3894.0079.5079.3865.00γ96.2592.5096.2595.0095.0095.8396.2589.5079.0080.6382.50A至EB -EC -ED - EAB - ECD - EACD -EABCD - EAB - CDEAB - CDA -BL.C. Djoufack Nkengfack等人医学信息学解锁23（2021）10053613表5使用基于JPT的复杂性度量的最高LS-SVM分类性能总结。分类问题型号Spe Sen AccA至Eβ-γ-EEG中的JPTs - PermEn100100100DChT -ApEn-SampEn-PermEn-β-γ-EEG中的FuzzyEnB -EJPT-ApEn-SampEn-PermEn-100100100β-γ-EEG中的FuzzyEnC -EJPTs-ApEn、SampEn、FuzzyEn100100100β-γβ-γ-EEG中的JPTs-FuzzyEnDChT -βDChT -ApEn-SampEn-PermEn-β-γ-