癫痫脑电信号的自适应特征选择与提取方法

沙特国王大学学报癫痫脑电信号显著状态分类的自适应特征选择与提取方法Varsha Harpalea，b，1，Vinayak Bairagia，2a电子和电信工程系，AISSMS的信息技术研究所，S。P. 印度浦那浦那大学b南印度浦那Pimpri Chinchwad COE电子和电信工程系。P. 印度浦那浦那大学阿提奇莱因福奥文章历史记录：2017年11月25日收到2018年4月30日修订2018年4月30日接受2018年5月24日在线提供关键词：脑电图癫痫模糊推理机模式自适应小波变换A B S T R A C T脑电图（EEG）是一种测量工具，用于测量由于大脑中的化学变化而观察到的大脑电活动脑电分析在脑电特征提取和分类方法中具有重要的作用，可用于各种脑部疾病的检测和预测。癫痫是一种主要疾病，其特征在于癫痫发作，并且由于大脑中突然异常放电而观察到。目前的研究主要是对癫痫脑电信号和正常脑电信号进行分类。本文的目的是利用脑电信号的时频特征来识别癫痫发作前状态和癫痫发作状态。使用模糊分类器对EEG信号的这些状态进行分类有助于预测癫痫发作。该方法使用假设测试，以改善特征选择和模式适应小波变换，以提高分类。适当的特征选择降低了分类器的计算复杂度。使用独立分量分析（ICA）从EEG信号中去除伪影。来自波士顿儿童医院的CHB-MIT EEG头皮数据集结果表明，对癫痫发作的分类准确率为96.48%，真阳性率为96.52%，假阳性率为0.352;对发作前13-110 s的癫痫发作前状态的分类准确率为96.02%©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍世界卫生组织（WHO，2017）与国际抗癫痫联盟（ILAE）和国际癫痫局（IBE）合作，在全球范围内提供有关癫痫及其后果的技术信息。他们协助政府和有关癫痫患者减轻疾病的负担。根据世界卫生组织的情况说明书（2017年），约有5000万人患有癫痫，四分之三的人无法获得治疗。因此*通讯作者：美国P. 印度浦那浦那电子邮件地址：varshaks3@gmail.com（V. Harpale）。1现住址：Plot No.29，S.号129，Swami Vivekanand Nagar，Walhekarwadi Road，Chinchwad，Pune，Maharashtra 411033，India.2现住址：号14/3/8，沙特国王大学负责同行审查需要研究和低成本、低功率的便携式或可穿戴的解决方案来检测和预测癫痫发作。脑电信号是一种非侵入性的脑电信号提取和处理工具.脑电信号的随机性和非平稳性使得癫痫发作的预测变得困难。因此，癫痫发作的检测和预测是研究人员非常重要的问题各种信号处理方法以及特征提取适于使用信号的特定特性对EEG信号段进行各种机器学习方法，诸如人工神经网络（ANN）（Rabbi等人，2012）、支持向量机（SVM）、模糊系统或最近的自适应神经模糊推理系统（ANFIS）（Malik等人，2014; Najumnissa等人，2012; Lee和Lim，2014; Jothi等人，2014年，Salem等人， 2014）分类器用于使用从EEG信号提取的多个特征对正常和癫痫信号进行分类。事件相关电位（ERP）和事件相关振荡（ERO）是对脑电信号进行分析的主要方法。小波变换是在同一时刻分析ERO的时间和空间特征的最佳合适方法（Herrmann等人， 2005年）。在对脑电信号进行基本分析之后，对脑电信号进行了伪迹去除、特征选择、特征提取和分类。在特征提取中观察到各种新方法，https://doi.org/10.1016/j.jksuci.2018.04.0141319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com诉哈帕尔河谷Bairagi/沙特国王大学学报669如平滑伪Winger-Ville分布和Mcaulay-Quatieri正弦模型，并且发现在癫痫发作检测中是有效的（Guerrero-Mosquera等人， 2009年）。本文组织为第二节总结了最近的趋势，在该领域的小波，模糊逻辑与癫痫的研究，第三节国家我们提出的方法与材料和方法，第四节包括系统的结果和第五节总结了拟议的工作。2. 癫痫发作检测中模糊分类器的研究进展癫痫发作的检测是一个关键的问题，观察了很长一段时间，因此需要找到一个可靠的解决方案。在研究中使用的分类器是支持向量机，K-均值聚类，模糊和人工神经网络分类。Tang等人（2012）提出了基于支持向量机（SVM）的可调组件分类器（SVMA），并可以达到98.72%的准确率。自适应神经模糊网络（ANFN）（NasserSadati等人，2006）在癫痫发作检测中发挥了重要作用，准确率为85.9%。Shakir等人（2014）比较了各种机器学习方法，如人工神经网络（ANN），朴素贝叶斯，k-最近邻（k-NN），支持向量机（SVM）和k-Means。这些分类器与基于离散小波变换（DWT）和自回归模型（AR）的特征提取一起使用. k-NN、ANN和SVM在癫痫发作检测中是很好的分类器。Qidwai等人（2013）提出了一种使用Labview平台和Shakir等人进行癫痫发作前、癫痫发作和癫痫发作后分类的新方法，2014年提出了基于模糊的癫痫发作前、发作和发作后分类的可穿戴解决方案。Bahareh-Atoufi等人（2009年）回顾了使用非线性动力学选择预测通道对癫痫发作、癫痫发作前和EEG信号正常状态进行多通道预测的研究。Shoeb和Guttag（2010）提出了机器学习框架对于将癫痫发作与大脑活动分离的重要性，并使用SVM分类器进行癫痫发作检测。表1总结了最近的一些工作及其方法和发现。在癫痫发作检测和预测方面的研究仍然存在一些局限性和挑战。为了提高系统的可靠性，应测试最大数量的性能参数。为了实现良好的准确性、灵敏度和特异性，需要考虑更多的特征，但对于优化，较少的计算和良好的性能系统选择性特征是有用的。 大部分的工作仅限于癫痫发作和非癫痫发作EEG信号的分类，但更多的研究必须进行癫痫发作前，癫痫发作间和癫痫发作后状态的分类，以扩展工作对良好的性能预测。3. 材料和方法区分癫痫发作与非癫痫发作的挑战来自于每个患者都是独特的这一事实。在某些情况下，在癫痫发作期间没有观察到振幅的变化，但在较少的通道中观察到同步，并且每次使用不同的通道组研究了模糊逻辑系统的意义，提出了将特征选择与模糊推理系统相结合的方法，以提高癫痫发作检测的准确性3.1. 数据集来自波士顿儿童医院的CHB-MIT EEG头皮数据集这是一个癫痫发作数据库，其中记录了654例难治性癫痫发作中22例患者不同时间的头皮脑电图记录。该数据库包括具有1小时至4小时的记录的文件，采样率为256和16位分辨率。该研究包括5名男性和17名女性患者，年龄范围为1.5至22岁。头皮上的传感器放置的国际10表1癫痫发作检测的近期工作总结作者方法性能参数Zhang等人（2018年）小波变换与模糊分布熵准确度：98.33%Fergus等人（2016）Behnam等人（2017年）机器学习平台，K-NN分类器小波和癫痫发作模极大值模式（SMMP）灵敏度：88%，特异性：88%，准确度：93%准确度：91.44%Yaun等人（2017年）加权极限学习机（ELM）FPR：0.014灵敏度：97.73%Khosropanah等人（2012年）WT和ANFISFPR 0.37/h灵敏度：99%Najumnissa等人（2012年）AWT和ANFIS准确度：97%李和林（2014）03 The Dog（2006）小波变换与模糊神经网络WT和ANFIS灵敏度：99.67%，专属性：100%准确度：99.83%专属性：93.7%05 The Dog（2005）WT和ANFIS灵敏度：94.3%分类准确率：98.68%Rabbi et al. （二零一零年）模糊规则检测脑电信号的高性能时空分析Gajic等人（2014年）WT、散布矩阵和二次分类器分类准确率：99%贾斯瓦尔和库沙尔（2015）EMD与Fuzzy改进的准确度Qidwai等人（2014年）模糊系统分类准确率：97%Shakir等人（2014年）智能模糊分类器。特异性：93%，灵敏度：93.97%，误检率：6.98%Jothi等人（2014年）基于FPGA的FPGA模型Salem等人（2014年）离散小波变换与蚁群分类器高检出率Pushpa和Najumnissa（2014）EMD和ANFIS更准确。Wang等人（2012年）ANFIS和HS准确度：97.94%Sood and Bhooshan（2014）硬件比较分析开发了计算机辅助诊断系统Niknazar等人（2015）模糊逻辑与SBLE灵敏度：100%：James等（一九九八年）模糊规则系统灵敏度：55.3%，选择性：82.0%错误检测率：7.2/hSinha等人（2004年）FMQAS良好的分类准确性Gopika Gopan等人（二零一三年）自适应神经模糊分类器100%准确率03 The Dog（2007）模糊优化中的结构化决策树。更高的性能指数670诉哈帕尔河谷Bairagi/沙特国王大学学报Lx¼T！12T。电子邮件：info@j2pft.co.ð Þ埃克塞特ð - ÞnFig. 1. EEG信号的正常、发作前和发作状态。通道来记录数据。实验在每个文件中使用2 3⁄25 6⁄持续时间信号样本进行。本工作将EEG癫痫信号分为三种状态：正常、癫痫发作前和癫痫发作，如图1所示。实验使用自动化和支持实时系统开发的数学方法。图1是根据数据库的chb01_03.edf文件绘制的，作为示例表示。3.2. 特征提取峰度：它是信号分布的量度，其峰值例如较高的值指示较高、较尖锐的峰;较低的值指示较低、较不明显的峰。它是信号的四阶矩估计，并给出为E xl4K¼d4小时50分钟功率谱密度（PSD）：PSD是在一个大的时间间隔SlimE. 1.一、ZTx ted t. Σ6-T癫痫发作信号与正常信号的区别。用信号的平均功率分析幅值变化，用方差的自相关性、变异系数、总变异和周期性计算变异性和规律性，窗口大小为2倍采样率。同步性可以从信号的互相关来估计但仅这些特征将不足以检测癫痫发作，因此频域特征、功率谱密度（PSD）被考虑用于特征向量集计算。该方法使用与幅度和频率变化相关的特征向量集。该系统使用以下数据库进行训练：10名患者，并对12名患者进行了测试。使用以下参数● 数据集平均值：l¼Xx100mm其中● 变异系数（COV）COV¼d200其中sPx-l2基于时间和频率的特征提取方法1) 使用MATLAB的独立分量分析（ICA）和EEG分析从头皮EEG中去除伪影（Harpale，2016）。2) 从23个通道中提取的特征是均值、系数变异、方差、RMS、峰度、SUM、功率、ZCR和PSD，窗口大小为512个样本/矩形窗口，没有重叠。3) 这些通道的提取特征被平均以形成具有相同窗口大小的最终特征。4) 这些最终特征被分为三个信号帧正常，癫痫发作前（发作前30秒）和癫痫发作帧在训练阶段。5) 在测试期间，按照步骤1和2计算信号的最终特征。小波变换是多尺度分析和信号处理模式识别，分类和更多应用的有效分析工具（Kalbhor和Harpale，2016）。使用小波变换和诸如自适应神经模糊推理系统（ANFIS）、模糊神经网络（FNN）、模糊分类器和反群体分类器的分类器的特征提取方法（James等人，1998）对于seizure检测和预测表现良好。对于脑电信号等非平稳信号，小波母函数的选取采用零均值，并在频率和时间空间上进行适当的局部化。d¼n- 1ð3Þ连续小波变换（CWT）是一种有效的模式检测通过从单个通道的记录中提取发作模式均方根（RMS）：信号x（t）的RMS值计算如下：表示为信号的平方值的平均值的平方根，在数学上表示为第1条第2款不 0CWT系数是从数据相关模式适应小波变换（Mesa，2012）获得的。然后从这些连续小波系数中提取平均功率、变异系数、均方根和功率谱密度的这些特征被输入到模糊分类器中，以将信号分类为癫痫发作前、癫痫发作和癫痫发作后状态。●●重复性、规律性（周期性）、同步性和幅度变化是区分●RMS¼ð4Þ诉哈帕尔河谷Bairagi/沙特国王大学学报671用于模式适应的基于小波的特征提取方法的过程如下所1) 以256个正常脑电信号为中心，构造长度为36的模式小波变换。2) 对信号进行模式自适应小波变换，从小波系数的绝对值估计模式的尺度和位置。3) 发作持续时间和模式的居中时间可以计算为发作持续时间=尺度 *采样周期，居中时间=指数 * 采样周期。4) 利用小波系数提取的以下特征构造特征向量进行癫痫发作的检测● 使用公式计算平均值（一）.● 均方根（RMS）使用公式计算（四）、● 功率谱密度（PSD）使用公式计算（六）、● 标准偏差（r），使用公式（1）表示小波系数（三）、3.3. 特征选择对EEG信号进行的数据分析是耗时的或计算量高的分析，因此针对每个窗口长度生成的特征数量很大。基于最大相关性和最小冗余关系选择特征进行特征向量计算。选择适当的特征对于降低计算成本、响应时间和系统性能是重要的。Lee和Lim（2014）模糊分类器使用该特征向量将EEG信号分类为正常、癫痫发作前和癫痫发作状态。在这项工作中使用的方法流程如图所示。 23.4. 模糊逻辑模型模糊逻辑是基于模糊集理论的多值逻辑的扩展，由L。1965年的扎德模糊逻辑在使用近似信息和不确定性来产生决策方面类似于人类推理。使用模糊逻辑构建的系统和模型在涉及其行为不被很好地理解的高度复杂系统的情况下是有用的，例如神经系统。模糊逻辑已经应用到从控制理论到人工智能的许多领域。模糊逻辑包括0和1作为真的极端情况，它也包括介于0和1之间的各种真态。模糊逻辑以一组用户提供的人类语言规则为基础。模糊系统将这些规则转换为它们的数学等价物。这简化了系统设计者和计算机的工作，并导致系统在现实世界中的行为方式的更准确的表示。额外的好处模糊逻辑的优点包括它的简单性和灵活性。模糊逻辑模型，称为模糊推理系统，由许多条件“如果-那么”规则组成在该方法中使用的基于模糊的分类过程如下所示1) 构造两个特征向量，f1特征向量由时域和频域特征构成，f2特征向量由模式自适应小波变换计算的特征导出。2) 模糊系统的输入输出采用三角隶属度函数。这些是根据特征向量的最小值、平均值和最大值计算的，并分别被评为3) 计算这些新的特征向量，并基于百分比变化确定阈值以分类癫痫发作前和癫痫发作状态。两个特征向量f1和f2是模糊模型a) 如果f1为低电平，f2为低电平，则输出为b) 如果f1为低且f2为中等或如果f1为中等且f2为中等，则输出为c) 如果f1高且f2高，或者如果f1中等且f2高，则输出为图二、使用模糊分类器进行分类的特征提取和选择流程672诉哈帕尔河谷Bairagi/沙特国王大学学报4. 结果和讨论4.1. 特征提取具有癫痫发作的EEG信号被作为训练参考，并且预定义的癫痫发作状态特征被用作癫痫发作期间的训练特征它还包含与癫痫发作前状态相关的特征，癫痫发作前状态被认为是癫痫发作发生前30 s，其他EEG事件用于计算与大脑正常状态相关的本文中的结果是根据一名11岁女性患者计算的（数据库文件chb03）。正常状态、癫痫发作前状态和癫痫发作状态的特征如图3所示，并分析它们之间的相互关系。这示出了与正常状态特征相比，癫痫发作状态的特征的百分比变化，并且可以用作模糊分类器的输入之一这些时频特征是均值、方差、COV、RMS、峰度和PSD，用于计算特征向量f1。该系统的训练使用从具有不同数量的癫痫发作文件的10名患者中提取的特征。对于我们的工作中的分类器输入，将不考虑最大频率计算。图3（a）-所有正常状态特征具有小的变化。图3b）示出了癫痫发作前状态期间EEG信号的时域特征值与正常状态相比，在特征中观察到的图图3c）示出了在清醒状态期间EEG信号的时域特征值。与正常和癫痫发作前状态相比，在癫痫发作状态期间观察到的变化非常高功率谱密度（PSD）用于估计依赖于频率的特征，并帮助理解静态特性，如静态和动态特性，捕捉时间演化的性质。图4是功率谱密度的曲线图，并且可以用作检测癫痫发作的特征之一。PSD特征在正常、癫痫发作前和癫痫发作状态下存在差异。下一组特征是通过应用从单通道发作模式构造的容许模式自适应小波变换来提取的。这显示了图案的变化，见图4。正常、癫痫发作前和癫痫发作状态下的功率谱密度（PSD）特征。图3.第三章。含单次癫痫发作的脑电信号在（A）正常、（B）癫痫发作前和（C）癫痫发作状态期间的特征诉哈帕尔河谷Bairagi/沙特国王大学学报673变化的点和范围 图图5示出了在发作状态和发作前状态下的适应模式小波尺度图，其表示小波系数的最大变化。对这些小波系数进行均值、均方根、标准差和功率谱密度等特征使用模式自适应小波变换从训练样本中提取特征，如图所示。 6、据观察在信号的癫痫发作前、癫痫发作和非癫痫发作部分期间，特征存在变化。此外，在癫痫发作前状态后，识别癫痫发作状态的意识突然增加。基于小波的分析给出了更好的变化相对于计算的特征，从而细化特征提取阶段。提取时间、频率和小波特征，并分析其最大相关性以进行分类。a)癫痫发作期间b)癫痫发作前图五、比例图：a）癫痫发作期间b）癫痫发作前期间的适应模式小波见图6。采用自适应小波变换对6个单次发作的脑电信号进行了发作前和发作状态下的特征提取，每个信号的特征包括均方根（RMS）、标准差和功率谱密度。674诉哈帕尔河谷Bairagi/沙特国王大学学报ð Þ¼¼ ¼ ðÞ4.2. 特征选择和特征向量计算特征选择或数据降维方法识别有助于实现结果的相关特征许多特征选择方法用于提取相关特征以改进分类（Hira，2015）。为了找到显著的EEG通道，可以使用最大相关性和最小冗余（mRmR）。这项工作使用假设检验的相关功能，以减少特征尺寸的识别。ANOVA检验更适合非平稳数据，如EEG、MEG和fMRI（Pennyand Henson，2006）。方差分析（ANOVA）检验表示多组数据在均值和方差基础上的差异。ANOVA是一种方差统计检验，用于比较实验中样本的两个或多个均值之间的差异（Chowdhury和Fattah，2017）。Wang等人（2017）提出了基于主成分分析（PCA）和方差分析（ANOVA）统计检验的模型，用于去除冗余特征。在这项工作中，有三组特征（正常，癫痫发作前和癫痫发作特征组），所以这种多元分析方法被用来找到特征的相关性。该方法基于F分布，其计算为组方差与组内方差之比。如果F值较大，则观察到P值较小。传统上，p为5%或1%（Nuzzo，2014）如果此P值小于0.05则该特征是重要的并且可以用于分类。根据方法学中提到的方法，计算小波系数的均值、RMS、PSD和标准差，并将其作为特征向量计算的参考。在所提出的工作中，所有的时域和频域特征进行测试，使用方差分析找到P值，并根据其值，其相关性决定的特征选择。表2显示了时间和频率特征的P值，从表中可以得出结论，最突出的特征是方差、RMS、峰度、总和、功率和PSD。该特征向量F1可以被建模为等式（八）、F1m;n;kavg;f VAR;RMS;kurt;SUM;POW;PSDg表3小波特征的P值。模式自适应小波变换特征的P值（F2选择）标准PSD RMS平均值0.007049 0.003777 0.0004620.4503用剩余的50%数据集和模糊分类器计算测试向量。将具有癫痫发作的EEG信号作为训练参考，并且在癫痫发作期间使用预定义的癫痫发作状态特征作为训练特征。它还包含与癫痫发作前状态相关的特征，癫痫发作前状态被认为是癫痫发作发生前30 s，其他EEG事件用于计算与大脑正常状态相关的特征。正常、癫痫发作前和癫痫发作状态的特征范围由特征的百分比变化和向量的最小值、最大值和平均值决定4.3. 绩效评价考虑到信道的空间和时间背景，利用模糊分类器对信道特征进行分析和分类.通过计算表4所示的真阳性率（TPR）和假阳性率（FPR）评价系统的性能。通过分类准确性、灵敏度和特异性来验证整个系统的实现据观察，所提出的系统的perfor- mance比以前的工作，除了灵敏度。由于数据库的差异，本工作中的敏感性参数与可比性工作不同 Shakir et al. （2014）是颅内EEG数据库，而本研究使用头皮EEG数据库，因此观察到灵敏度变化。真阳性率（True Positive Rate，TPR）是正确识别癫痫发作的概率，也称为敏感性。灵敏度是指正确检测到的癫痫发作率与系统检测到的实际癫痫发作次数之比。TP总数F1平均值VARRMS均方根值总和功率PSD带窗<$512 m<<$4 22; n<< $5; k<$4 23ð7ÞTPR<$$>发作总数x100<$$>TP<$ TNx100 <$9次误报率（FPR）是检测到其中表3示出了模式自适应小波变换特征的P值，并且从表中得出结论，最突出的特征是标准偏差（STD）、PSD和RMS。该特征向量F2可以被建模为Eq. （九）、F2标准品;n;kavg标准品;PSD;RMSg8F2平均值±标准差±RMS这些特征向量F1和F2对于sei是明显可分离的非癫痫发作的脑电图信号。这也与特异性有关特异性是非癫痫发作不正确映射的癫痫发作时间的一部分。专属性和FPR提供相同的信息，但不相同。FPR FN总数X10010现有缉获总数分类准确度是被正确分类为发作和非发作的帧的数量与检测到的总体发作的比率。在这项工作中，分类精度也计算了癫痫发作前和正常状态的信号。zure，癫痫发作前和正常状态，如图所示。7.第一次会议。该系统使用50%的EEG数据集和从该训练数据集计算的特征向量进行训练对系统的性能进行了测试表2时间和频率特征的P值。准确度TPTPTN FP FNð11Þ正常、癫痫前期和癫痫发作状态的患者癫痫发作次数在方差分析后的P值是说方差盖RMS峰度总和功率ZCRPSD患者160.44540.00010.21820.00020.36210.00020.00010.96100.001274患者230.69110.98280.29730.99640.09290.07640.98320.22830.750311患者370.22800.00020.46950.00000.00270.00010.00020.25150.666123患者440.13920.94700.54380.89470.02800.00960.94700.36600.0255患者6100.08480.04090.47320.05800.03390.00000.04160.00490.0031患者730.54300.47710.64390.50860.09310.07220.47710.51340.3142诉哈帕尔河谷Bairagi/沙特国王大学学报675¼ ð Þ（a）（b）见图7。 a）来自时域和频域的特征向量b）来自小波特征的特征向量。表4系统的性能参数参数;Shakir等人（2014年）拟议工作癫痫检测癫痫发作前检测方法？模糊分类器具有混合特征的TPR（灵敏度）百分之九十五百分之九十六点五二百分之九十四点四四FPR百分之五3.52%3.52%特异性百分之九十三百分之九十五点三四百分之九十四点五精度百分之九十三点四七96.48%百分之九十六点零二表5观察单个患者癫痫发作前时间的预测。3号病人带着文件癫痫发作信号癫痫发作时间（秒）实验结果癫痫发作前时间（秒）早期癫痫发作检测时间（秒）1chb03_01362348142chb03_02731714173chb03_03432398344chb03_0421622102605chb03_3419821937456chb03_3525922508847chb03_36。1725171213特异性是从数据库中正确分类非癫痫状态或健康人的比率专属性TN12公司简介在实验期间，使用22个患者这项工作是指检测癫痫发作前的时间，因此可以用于预测癫痫发作。表5显示了癫痫发作前检测的结果，在chb06_09.edf中，对于1.5岁的女童，测试期间观察到的最长时间因此，观察到癫痫发作前检测准确度与癫痫发作检测准确度相同，但是与发作癫痫发作检测相比，癫痫发作前的假阳性率高。5. 结论定量脑电分析是提取时间参数和频率成分的重要工具。 分析高度动态、非线性和非平稳EEG信号的合适方法需要使用灵活的和非线性的EEG信号。主观测量。这里实现的系统针对各种时域和频域特征进行训练，并且观察到各种患者的EEG信号具有幅度和频率变化增加的特性。 采用基于方差分析的特征选择和模糊分类器模型对信号进行分析，以获得更好的性能。呈现的结果癫痫分类准确率为96.48%，癫痫发作检测的TPR和FPR分别为96.52%和0.352，癫痫发作前状态识别的准确率为96.02%。癫痫发作前状态在实际发作癫痫发作发生前的13-110 s被识别，这可以通过集中于相关特征来进一步改善。采用模糊逻辑分类器模型，来区分大脑状态之间的转换。在每种情况下观察到的癫痫发作前时间是不同的，因此平均癫痫发作在其发生后约30 s预测。采用先进的方法如FIS和其他机器学习算法可以进一步提高分类精度。由于癫痫发作特征训练的变化，系统是一项具有挑战性的任务。此外，系统性能可以通过选择非常精确的特征，先进的和最合适的分类器和选择高性能的非特定算法来提高。提前预测癫痫发作仍然是一项需要进一步研究的任务。676诉哈帕尔河谷Bairagi/沙特国王大学学报引用阿图菲湾C-Lucas and Ali-Zakerolhosseini，2009.不同脑电状态（正常、癫痫发作前和癫痫发作）下脑电信号的多通道预测综述。在：第七届计算机科学与信息技术国际会议论文集，页。327-331CHBMIT数据库，Goldberger，A.L.，阿马拉尔洛杉矶格拉斯湖，加-地Hausdorff，J.M.，伊万诺夫，P.Ch.，马克，RG，Mietus，J.E.，穆迪，G.B.，彭角，澳-地K.，斯坦利阁下，2013. PhysioBank，PhysioToolkit和PhysioNet：复杂生理信号新研究资源的组成部分101（23），215-220。乔杜里，T. T.，Fattah，S.A.，沙赫纳兹角，2017.利用γ波段脑电信号的时频域处理对癫痫患者的癫痫发作和非癫痫发作活动进行分类。2017年第四届电气工程进展国际会议（ICAEE），达卡，2017年，pp. 537-540Fergus，P.，侯赛因，A.，Hignett，David，Al-Jumeily，D.，Abdel-Aziz，Khaled，2016. HaniHamdan，一个用于自动全脑癫痫检测的机器学习系统。申请补偿通知12（1），70-89。Gajic，D.，Djurovic，Z.，Di Gennaro，S.，Gustafsson，Fredrik，2014.基于小波和统计模式识别的癫痫发作检测的EEG信号分 类 ，生物医学工程：应用。Basis Commun.26（2）.Gopika Gopan，K.，Harsha，A.，约瑟夫，洛杉矶，Kollialil，E.S.，2013年。自适应神经模糊分类器用于在：计算，通信和信息学进展国际会议（ICACCI），迈索尔，pp。752-757格雷罗-莫斯克拉角，Vazquez，A.N.，2009.一种新的脑电信号特征提取方法。Ann. Int.Conf. IEEE Eng. Med. Biol. Soc. 2009，13-16. 古勒岛，Ubeyli，E. D.，2005.基于小波系数的脑电信号自适应神经模糊推理分类系统。 J. N e u r o s c i . 方法148（2），113-121.Harpale，V.K.，Bairagi，V.K.，2016年，用于癫痫发作检测的EEG信号的时域和频域分析：综述。在：微电子，计算和通信国际会议（MicroCom），Durgapur，pp。1-6.赫尔曼， C. S. ，Grigutsch ，M. ，Busch ，N.A. ，2005. 脑电振荡和小 波分析。在 ：Handy，T.C. (Ed.)、事件相关电位：方法手册。MIT Press，Cambridge，MA，pp.229- 259Hira，Zena M.，Gillies，Duncan F.，2015.基因芯片数据的特征选择和特征提取方法综述。高级生物信息学，文章ID 198363，1-13。Jaiswal，P.，库沙尔河，2015.基于改进模糊聚类算法的脑电信号分类。Int. J. Comp.Sci. INF. Technol. 6（3），2031-2034.詹姆斯，C.J.，琼斯，R. D.，骨头PJ Carroll，G. J.，1998.通过基于模糊规则的系统对多通道EEG记录进行空间分析以检测癫痫样事件。 在：第20届IEEE医学和生物学工程学会国际年会论文集，pp. 2175-2178.Jothi，M.，Balamurugan，N.B.，Harikumar河，2014.面向生物医学应用的VLSI模糊分类器的设计与实现。Int. J. Innov. Res. Sci.，Eng. Technol.3（3）.Kalbhor，S.D.，Harpale，V.K.，2016.综述了小波变换在癫痫发作检测和分类中的应用。在：国际会议上计算通信控制和自动化（ICCUFIT），浦那，页。1-5.Khosropanah，P.，Ramli，A.R.，阿舒罗夫河，Ahmedov，A.2012年。基于小波变换和自适应神经模糊推理的卵细胞癫痫棘波检测系统（ANFIS）技术。于：国际会议农业和食品工程生命（cafei 2012）程序。pp. 583-590。李，S.- H、Lim，J.S.，2014.基于小波特征提取和模糊神经网络的癫痫发作分类的最小特征选择。应用数学信息科学8（3），1295-1300。Malik，A. S.，Shakir，M.，Kamel，N.，Qidwai，U.，2014.嵌入式可穿戴式动态脑电癫痫发作检测模糊平台。IEEE Proc.第五国际Conf. 内特尔系统。莫德尔。模拟，一九一至一九六Mesa，Hector，2012.用于模式检测的自适应小波。计算机科学讲义模式识别、图像分析与应用进展3773，933-944。Morteza，Behnam，Hossein，Pourghassem，2017.基于发作模极大值模式的相关熵椭圆特征癫痫发作检测的发作特异性小波设计。神经科学杂志方法276，84-107。Najumnissa，D.，Rangaswamy，T.R.，2012.基于小波特征提取和自适应神经模糊推理系统的癫痫发作检测和分类。Int. J. Comput. Eng. 结果：（IJCER）2（3），755-761。Niknazar，H.，Maghooli，K.，Nasrabadi，上午，2015.利用局部极值统计行为和模糊逻辑系统预测癫痫发作。国际比较应用杂志113（2），24-30。努佐河2014.科学方法：统计错误。Nature 506（7487），150-152. 佩妮，W.，亨森河，2006年。方差分析 脑功能分析图像，统计参数映射，pp. 166-177。Pushpa，B.，Najumnissa，D.，2014.基于EMD和ANFIS的癫痫发作脑电信号分类。International Conference on Informatics，Electronics Vision（ICIEV），pp. 1比5。齐，袁，卫东，周，立人，张，张帆，徐，方舟，冷艳，冬梅，魏，美娜，陈，2017。基于不平衡分类和小波包变换的癫痫发作检测，SEIZURE：欧洲。癫痫杂志50，99-108。Qidwai，U.，Malik，A. S.，Shakir，M.，（2014），用于压力检测和分类的嵌入式模糊分类器。Qidwai，U.，Malik，A. S.，Shakir，M.，Kamel，N.，2013.在labVIEW环境下进行发作、压力和正常模式信号生成的硬件模拟器，用于研究。Int. J. 生物科学，Biochem.生物信息学 3（6），588-592。拉比A.F. Fazel-Rezai，R.，2012.一个模糊逻辑系统用于颅内脑电图癫痫发作检测。Comput.内特尔Neurosci.拉比A.F. Aarabi，A.，Fazel-Rezai，R.，2010.基于颅内脑电关联维数变化的模糊规则癫痫发作预测。Ann. Int. Conf. IEEE工程医学生物学，三三零一至三三零四Sadati，N.，Mohseni，H. R.，Maghsoudi，A.，2006.利用神经模糊网络进行癫痫发作检测。IEEE国际Conf. 模糊系统，五九六至六百塞勒姆，O.，Naseem，A.，Mehaoua，A.，2014.基于离散小波变换和蚁群分类器的脑电信号癫痫发作检测。IEEE国际Conf. Commun. (ICC)，3529-3534。Shakir，M.，Malik，A. S.，Kamel，N.，Qidwai，U.，2014.智能模糊分类器，用于从真实癫痫数据中进行癫痫发作前检测。Sci. INF. Conf. （SAI），276-279.Shoeb，A. H，Guttag，J.V.，2010.机器学习在癫痫发作检测中的应用，见：第27届机器学习国际会议（ICML-10），第10页。975-982.Sinha，A.K.，Loparo，K.A.，Richoux，W.J.，2004.一种新的用于癫痫发作检测和预测的系统理论分类器。在：第26届IEEE医学和生物学工程学会（IEMBS '04）年度国际会议，第100页。415-418索德，M.，Bhooshan，S.V.，2014.使用软计算技术自动处理癫痫发作检测的EEG信号。最近的先进创新Eng.（ICRAIE），1- 6.Subasi，A.，2006.用动态模糊神经网络自动检测癫痫发作。Expert Syst.Appl.31（2），320-328.Sukanesh河，Harikumar河，2007.在：一个结构化的软（最大-最小）决策树的患者特定的模糊分类器在癫痫风险水平的分类从脑电图信号。计算智能和多媒体应用国际会议，Sivakasi，泰米尔纳德邦，pp。第 435-442页。唐，Y.，Durand，D. M.，2012年。一种用于癫痫发作检测的可调支持向量机组合分类器。专家系统应用39（4），3925-3938。王杰，Gao，X.Z.，Tanskanen，J.M.A.，Guo，P.，中国科学院院士，2012.基于和声搜索的ANFIS癫痫脑电信号分类。第八届国际会议Comput.内特尔Security（CIS），690-694.Wang，L.，美国，Xue，W.，李，Y.，Luo，M.，黄，J.，崔，W.，黄，C.，2017.基于多域特征提取和非线性分析的脑电信号癫痫发作自动检测。熵19，222。世 界卫 生组 织（ 卫 生组 织） 。 （2017 年 访问 ） 媒体 中心 ， 癫痫 ， 情况 说明 书。。Zhang，Tao，Chen，Wanzhong，Li，Mingyang，2018. 模糊分布熵及其在癫痫自动检测技术中的应用。BioMe