医学信息学解锁21（2020）100444基于不同机器学习算法Khaled Mohamad Almustafa沙特阿拉伯利雅得苏丹王子大学计算机和信息系统学院信息系统系A R T I C L EI N FO保留字：癫痫发作K-近邻分类决策树随机森林特征提取敏感性分析A B S T R A C T由癫痫障碍引起的与异常大脑活动相关的癫痫发作是广泛典型的，并且具有许多症状，例如意识丧失和异常行为以及混乱。在本文中，使用不同的分类器对癫痫发作数据集进行分类。结果表明，随机森林分类器优于K-最近邻（K-NN），朴素贝叶斯，逻辑回归，决策树（D.T.），随机树，J48，随机梯度下降（S.G.D.）分类器的准确率为97.08%，ROC= 0.996，RMSE= 0.1527。对这些分类器中的一些进行敏感性分析，以研究分类器对癫痫发作数据集进行分类的性能，这些数据集相对于其参数的一些变化。然后使用基于属性方差的特征选择对数据集进行预测。1. 介绍与由癫痫病引起的异常脑活动相关的癫痫发作，癫痫病是一种脑中枢神经系统（CNS）疾病，非常常见，并有许多症状，如意识丧失，异常行为和混乱。这些症状导致在许多情况下受伤，由于跌倒，咬一个人的舌头。提前发现可能的癫痫发作不是一件容易的事。大多数癫痫发作都是意外发生的，对于许多研究人员来说，找到在癫痫发作发生之前检测可能的癫痫发作的方法一直是一项具有挑战性的任务。应用分类算法，这是本文中使用的方法，可以帮助确定某人是否会癫痫发作。许多研究者致力于了解脑电活动和动力学特性，并识别癫痫发作中发现的动力学的非线性确定性[ 1 ]。其他人则用一组微分方程来描述动态大脑系统 [2] 。 非 线 性 时 间 序 列 分 析 （ Nonlinear Time Series Analysis ，N.T.S.A.）已在文献中用于描述基于大脑活动的脑电图（E. E.G. s）[3许多研究已经对患有疾病的患者的脑电图进行了研究，例如帕金森[9这是我们对这项工作的兴趣[12这些研究提供了对人类大脑动力系统的独特理解。从癫痫相关论文中获得的结果根据癫痫发作[17，22]和健康志愿者的大脑活动[23]进行分类。通过这两个案例，研究人员能够确定并模拟人类大脑行为的非线性此外，发现大脑动态系统参数的轻微变化会导致不同的此外，癫痫发作仍然是许多研究人员的挑战[13，17我们的研究的目的是确定最合适的分类算法来分类癫痫发作数据集，以确定一个人是否会有癫痫发作，通过应用不同的分类技术，并研究分类算法的行为相对于分类参数的变化2. 相关工作许多研究人员已经讨论了与癫痫发作有关的主题。在参考文献[31]中，作者提出了一种方法，使E.E.G.时间序列信号的综合表征，以改善信号的分类。在文献[32]中，提出了一种基于神经网络方法从E.E.G.信号中检测癫痫发作的癫痫检测算法。在参考文献中。[33-37]，作者研究了利用小波系数对E. E.G.信号进行分类。他们将神经网络的自适应能力与模糊逻辑的定量方法和概率密度函数的不变变换相结合;根据δ、θ、α、β和γ分析E. E.G.信号的子带;并分别应用多分辨率分解和人工神经网络。一个特殊电子邮件地址：kalmustafa@psu.edu.sa。https://doi.org/10.1016/j.imu.2020.100444接收日期：2020年8月26日;接收日期：2020年10月2日;接受日期：2020年10月2日2020年10月7日网上发售2352-9148/©2020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/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuK.M. Almustafa医学信息学解锁21（2020）1004442图1.一、 癫痫发作数据集的示例视图。图二. 不同病例的脑电波图提出了一种用于癫痫发作自动检测的递归神经网络。参考文献[38，39]中提出了E.E.G.信号和实际数据的相关性测量。在参考文献[40在文献[43]中，作者提出了一种基于模式识别的特征向量特征提取方法用于脑电信号检测，在文献[44]中，作者提出了一种新的混合自动识别系统用于脑电信号分类。前馈方法使用反向传播N.N.在参考文献[ 45 ]中用于E.E.G.信号分类，在参考文献[ 45]中用于主成分分析（PCACA.）在参考文献[ 46 ]中用于检测癫痫发作。 在参考文献中。[47]，作者提出了一种基于多层感知器神经网络的癫痫治疗分类方法，参考文献[48]提出了一种用于癫痫发作检测的多域特征提取方法。作者在参考文献[49]中提出了用于检测E.E.G.信号中癫痫样活动的时频分析，并且作者在参考文献[50]中提出了用于癫痫发作检测算法的E.E.G.特征提取的基于基的小波包熵。先进的人工智能 技术用于自动癫痫发作在参考文献[51]中，作者提出了使用E.E.G.信号进行癫痫发作检测的子带非线性参数，在参考文献[52]中，作者提出了使用E.E.G.信号进行癫痫发作检测的子带非线性最近，在参考文献[53]中提出了使用DWT和K-NN分类器的癫痫检测。此外，最近，参考文献[54]中的作者使用离散小波变换和小波包分解进行了自动癫痫发作检测和预测，参考文献[55]中提出了一种用于E.E.G.信号分类以检测癫痫发作的方法。混合机器学习在参考文献[56]中提出了用于检测癫痫发作的方法，在参考文献[57]中提出了应用不同特征提取策略来检测癫痫发作的鲁棒机器学习分类技术，在参考文献[ 57 ]中提出了用于癫痫发作预测的[58].据我们所知，还没有对癫痫发作数据集的分类进行比较分析，以便用分类器敏感性分析对癫痫发作进行可能的分类，这将是这项工作的主要贡献本文的其余部分组织如下。第3节描述了癫痫发作数据集的准备，第4节介绍了预测方法并讨论了结果，第5节给出了进一步的讨论。第六节是结论。3. 癫痫发作数据集的准备癫痫发作（E.S.）本文使用的数据集取自参考文献[1]，数据集的组织如下：该数据集由11，500个样本组成，每个样本具有178个特征，样本呈正态分布。基于以下标准将样品分类为五个不同的类别Y= {1，2，3，4，5}a) 5级-记录E. E.G.信号时眼睛睁开，这将被标记为E.Y.E.O.。本文b) 4级-记录E. E.G.信号时闭上眼睛，将标记为E。Y.E. C 本文K.M. Almustafa医学信息学解锁21（2020）1004443======∑表1每类案件数。x2，Y的响应的对数几率p（Y的响应）由下式给出：日志 p =β+β x+β x类类描述使用的缩写案件数量二进制情况b1-p011221记录癫痫发作活动从健康的大脑区域表2ES 2300 2300该方法用于估计βi，β i可用于预测真值和假值。当数据分离在数据集元素的正值和负值方面可用时，该模型执行得最好。4.3. 决策树不同类型的决策规则可以基于数据集的特征来实现：不同分类器的结果。分类器方法准确度（%）ROC MAE RMSE时间（s）K-NN（N=1）95.23 0.8820.0477 0.2183 0.01朴素贝叶斯95.73 0.959 0.0427 0.206 0.29粤ICP备15048888号-1随机森林97.08 0.996 0.06670.152717.03随机树93.86 0.900 0.0614 0.2478 0.32Logistic回归81.93 0.529 0.2963 0.3884 3.67粤ICP备15048888号决定表c) 3级-是，在记录健康大脑区域的E. E.G.后发现了脑肿瘤，并将其标记为H S.T.U.。M.O.R.d) 2类-在脑肿瘤所在位置记录E. E.G.信号，并将其标记为肿瘤e) 1级-记录癫痫发作活动，E.S.每个样本具有178个特征，指示针对不同提到的情况的每秒脑波测量。图1示出了癫痫发作数据集的样本视图，并且图2示出了每个类别的波形的样本。值得一提的是，只有与类别1相关的样本具有E.S，因此，我们的分析将采用E. S的二进制形状。而非ES的情况下，其中包含类{2，3，4，5}。表1显示了使用的类的用例数，我们可以看到所有类都有相同数量的样本。4. 分类方法本工作中使用的机器学习预测和分类方法如下所示：4.1. K-最近邻最近邻（NN）分类器使用两个向量（测试和训练）之间的欧几里得距离计算分类距离。图像的矢量表示由下式给出：d1（I1，I2）=∑|̅I̅p̅—̅̅̅ ̅I̅p̅|̅2̅4.3.1. 决策树J48获取与数据集关联的统一变量。4.3.2. 随机树对于一个随机规则，寻求回答上述问题来对数据集进行分类。以下参数可从用于模拟决策树的Weka软件获得：种子1，其中当使用减少误差修剪时，种子用于随机化数据;置信因子=0.25，其中置信因子用于修剪（较小值会导致更多修剪）;折叠次数=3，这决定了用于减少错误修剪的数据量;以及批大小=100。4.4. 随机森林随机森林分类器是多个随机树分类器的集合;并且，通常，将使用所有树的分类结果的平均值随机性在两个不同的方面被引入到这些树中：a. 包含原始数据集元素b. 每个树的随机列数或决策分支以下参数可从用于模拟决策树的Weka软件获得：1，其中当使用减少的错误修剪时，种子用于随机化数据;执行槽数1，其指示用于构造系综的执行槽（线程）的数量;包大小百分比100，其表示每个包的大小作为训练集大小的百分比;批量大小100，其是如果执行批量预测则要处理的实例的优选数量;以及迭代数100，其是随机森林中的树的数量5. 结果和讨论在本节中给出了使用不同分类器对癫痫发作数据集进行分类所获得的结果以及给定分类器的可能的一些改变的之一p 在实施过程中面临的挑战是处理具有大量属性（特征）的大型数据集，178。中提出对于k-最近邻（K <$N <$N.）分类器，I1和I2表示分别为受试者1和受试者2;d1是距离，是所有可用元素的总和。我们不是找到最接近的单个图像进行预测，而是在预测测试图像的标签（类）之前找到训练集中最接近4.2. Logistic回归我们使用以下逻辑模型来解释该算法，并了解如何从数据中估计系数给定模型x1和x2中的两个预测变量以及一个二元类Y，可以得到x1和x 2之间的线性关系在特征提取（选择部分）部分，特征缩减可以应用于具有某些所选特征的椭圆形发作病例的密切预测。5.1. 使用的分类器用于癫痫发作数据集分类的不同分类器的10倍交叉验证方法的结果如下所示。表2表明使用交叉验证方法的随机森林分类器优于用于该方法的所有其他分类器2肿瘤定位肿瘤230092003记录的E.E.G.活动肿瘤23004只眼睛闭合EYEC2300五眼睁开Eyeo2300K.M. Almustafa医学信息学解锁21（2020）1004444=图三. 分类结果。表4随机森林分类器与训练集。用方法准确度%ROCMaeRMSE时间（秒）交叉验证97.080.9960.0670.15317.0350%培训97.0610.9950.0720.1560.1760%培训97.1960.9960.0720.1540.1480%培训97.4780.9960.0670.15316.92表5S.G.D.的参数变化分类器相对于学习率。表3见图4。 R.O.C.随机森林分类器的曲线。见图6。 使用训练/测试方法时的准确度比较。准确度和R.O.C. K N. N的值。不同k值的分类器。k值精度中华民国195.2340.882393.5470.936592.6950.922792.1220.928991.710.29见图7。结果的视觉表示见表5。图五. 相对于K中k值的精度性能-NN分类器。癫痫发作数据集的分类与随机森林分类器一起使用的分类器分类器表6S.G.D.的参数变化分类器相对于正则化参数。1/λ准确度%ROCMaeRMSE时间（S）10,00081.9230.5490.18080.42524.47500081.8520.5470.18150.4264.09250081.9220.5490.18080.42524.11125081.8080.5460.18190.42654.2100081.9040.5480.18100.42544.07L.R.准确度%ROCMaeRMSE时间（秒）0.0181.9230.5490.18080.42524.470.0281.8090.5460.18190.42654.090.0481.5220.5390.18480.42994.070.0881.9130.5490.18090.42534.020.181.9650.5510.18030.42473.980.281.6170.5420.18380.42873.96K.M. Almustafa医学信息学解锁21（2020）1004445=图8.第八条。S.G. D. 的准确度百分比具有不同L.R.s.的分类器见图9。结果的视觉表示见表7。图10个。表6的结果的视觉表示。表7S.G.D.的参数变化分类器的损失函数。损失函数准确度（%）ROCMaeRMSE时间（秒）SVM81.9230.5490.18080.42524.47Logistic回归80.85220.5230.28270.39545.62和决策表分类器。实验结果表明，随机森林分类器的分类准确率为97.08%，优于其他分类器。 等于0.996，和R.M.S.E. 0.1527 结果的图表是见图11。 表7的结果的视觉表示。示于图3.第三章。图4显示了R.O.C.用于使用所述随机森林分类器对所述癫痫发作数据集进行分类的曲线。图4显示了R.O.C.与用于比较的其他分类器相比，随机森林分类器的AUC值为0.996，准确度为97.08%。5.2. 一些分类器我们将为一些分类器提供一些参数敏感性，例如K-NN分类器的k值和随机森林分类器的训练/测试样本的变化，以评估由于这些变化而导致的分类器结果。5.2.1. k近邻测试具有不同ks的K-NN分类器以展示给定癫痫发作数据集的分类器输出，并且获得以下准确度和R.O.C.的结果。价值观表3示出了对于K-NN分类器，准确度随着k值的增加而降低。当k从1变化到9时，准确度分别从95.234%变化到91.71%。图5示出了所获得的结果的表示。5.2.2. 随机森林我们选择随机森林分类器代替交叉验证作为训练/测试方法，并改变测试样本的百分比来研究分类器的准确性和其他性能指标。 表5示出了所述分类器的性能。表4显示了使用随机森林方法选择而不是10倍交叉验证方法进行训练/测试时分类器性能的一些变化。我们可以注意到80%/20%训练/测试方法在R.O.C.，M.A.E.方面的一些接近性能。 和R.M.S.E. 分别为0.996、0.067和0.153;此外，我们还可以看到，与交叉验证方法相比 ， 80% 训 练 的 性 能 优 于 交 叉 验 证 方法， 该 方 法 的 准 确 率 为97.478%，而交叉验证方法的准确率为97.08%。图6示出了表4中呈现的准确度增强。5.2.3. 随机梯度下降在本节中，我们将更改与S.G.D.相关的一些参数。并根据这些参数的变化来评估分类器的性能。5.2.3.1. 学习率（L.R.）。学习率是一个可配置的参数，影响算法的收敛性。通过设置λ0.0001并使用支持向量机作为损失函数，获得了以下结果。图图7示出了基于S.G.D分类器的性能的曲线图。K.M. Almustafa医学信息学解锁21（2020）1004446======-==表8特征提取结果的比较。方法时间（秒）精度召回F-measureROCMaeRMSERAE（%）所有特征0.300.9570.9570.9570.9590.04270.20613.32Var> 25，0000.460.9570.9570.9570.9590.0430.206613.44Var> 26，0000.230.9560.9570.9570.9610.04330.207213.52图12个。表8的一些结果的视觉表示。关于R.O.C.C.M.A.E.和R.M.S.E.的变化 对于不同的L.R.s，如表6所示。我们可以看到，改变左室射血分数。不会对战略防御局造成分类器在对癫痫发作数据集进行分类时。图8显示了L.R.变化在所提供的范围内，LR 0.1达到了81.965%的最高精度5.2.3.2. 正则化参数（c1/λ）。正则化参数是S.G.D.中的参数。这通过使训练权重变小来影响过拟合，其中λ是惩罚项。通过设置LR 0.01并使用支持向量机作为损失函数，获得了以下结果。图9示出了S.G.D.如R.O.C.、M.A.E和R.M.S.E.所代表的。 对于表6中列出的不同1/λ值。我们可以看到，改变1/λ对S.G.D.没有很大的影响分类器在对癫痫发作数据集进行分类时。图10 表示精度随 1/λ 变化而变化。当 1/λ 时 ，最 大 精度达到81.922%。2500为提供的范围。5.2.3.3. 损失函数（L.F.）。有不同类型的损失函数与S.G.D.相关。分类器模型我们将检查类-在更换L.F.时，当LR= 0.01和λ0.0001时，从支持向量机（SVM）到Logistic回归损失函数的回归方程。我们可以从表7中看到，对于S.G.D.，SVM实现了比逻辑回归损失函数更好的性能。分 类器的准确率为81.923%，ROC 为0.549，MAE为0.1808。 表7的直观表示见图1。 十一岁5.3. 特征提取与癫痫发作预测方差阈值特征选择方法应用于两种不同阈值的可用属性，Var 25，000和Var<26,000. 结果发现，只有172和148个特征是相关的，并且使用朴素贝叶斯分类器使用癫痫发作数据集进行预测获得了类似的（如果不是稍微更好的话）分类结果，如表8所示。表8显示了上述结果。我们可以看到，仅使用178个特征中的148个特征就可以得到可接受的结果，实现了0.956的分类精度，0.957的召回率，0.957的F测量，接收器操作特征曲线（R.O. C.）0.961，平均值绝对误差（M.A.E.）0.0433，均方根误差（R.M.S.E.） 0.2072的相对绝对误差（R.A.E.）13.52%，较好的处理时间为0.23 s。图12示出了一些结果的视觉表示。6. 结论本文采用不同的分类方法对癫痫发作数据集进行分类。结果表明，随机森林分类器优于k-最近邻（K-NN），朴素贝叶斯，逻辑回归，决策树（D.T.），随机树，J48和随机梯度下降（S.G.D.）分类器具有97.08%的准确率，ROC 0.996和RMSE 0.1527。此外，对K-NN、随机森林和S.G.D.进行了敏感性分析。 分类器，以研究当一些参数改变时分类器在对癫痫发作数据集进行分类时的性能，例如K-NN分类器的k值;随机森林的训练集/测试集分裂以及S.G.的学习率、正则化参数和损失函数D. 结果表明，通过改变一些分类器参数，提高了分类性能。例如，当改变训练/测试划分时，随机森林分类器获得97.3487%的增强准确度，当改变S.G.D.的学习率时，获得81.965%的增强准确度。当正则化参数为10，000时，分类器的准确率提高了81.923%。最后，使用朴素贝叶斯分类器的特征提取方法的基础上的可用属性的方差在癫痫发作数据集显示，可以实现良好的分类精度仅使用148个特征的178个特征，可用于癫痫发作的预测。资金没有为这项工作提供资金数据和材料本 工 作 中 使 用 的 癫 痫 发 作 数 据 集 来 自 公 开 可 用 的 数 据 集 ：https://archive.ics.uci.edu/ml/datasets/Epileptic%2BSeizure%2BRecognition。竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认作者要感谢沙特阿拉伯利雅得苏丹王子大学在人工智能和数据分析（AIDA）实验室下支持这个项目。引用[1] Andrzejak RG，Lehnertz K，Rieke C，Mormann F，David P，Elger CE.脑电活动时间序列的非线性、确定性和有限维结构的指示：与记录区域和大脑状态的依赖性。Phys Rev E2001;64：061907。[2] Ott E，Sauer T，Yorke JA.应对混乱。New York：Wiley.K.M. Almustafa医学信息学解锁21（2020）1004447[3] Rombouts SARB，Keunen RWM，Stam CJ.多导脑电非线性结构的研究。物理快报A 1995;202：352.[4] Lopes da Silva FH，Pijn JP，Velis D，Nijssen PCG.阿尔法节奏：噪音，动力学和模型。国际心理生理学杂志1997;26：237.[5] Pritchard WS，Duke DW，Krieble KK.维度分析休息的人类EEG II：替代数据测试表明非线性，但不是低维混沌。心理生理学1995;32：486.[6] Pezard L，Jech R，Ruzicka E.帕金森病早期多导脑电非线性特征的研究。临床神经生理学2001;112：38-45.[7] Nandrino JL，Pezard L，MartinerieJ，El Massioui F，Renault B，JouventR，Allilaire JF，Wildlo cher D.脑电图复杂性降低是抑郁症的一种症状。神经学报告1994;5：528.[8] JeongJ，Chae TH，Kim SY，Han SH.阿尔茨海默病和血管性痴呆患者脑电的非线性动力学分析 临床神经生理学杂志2001;18：58.[9] 作者：Soong ACK，Stuart CIJM.人类α节律脑电图中混沌动力学的证据。BiolCybern1989;62（55）.[10] Stam CJ，Pijn JPM，Suffczynski P，Lopes da Silva FH.人类α节律的动力学：非线性的证据？临床神经生理学1999;110：1801-13.[11] Jing H，Takigawa M.癫痫复杂部分性发作患者脑电维数估计和滤波节律的地形图分析。《生物学》，2000年;83：391-7。[12] Andrzejak RG，Widman G，Lehnertz K，Rieke C，David P，Elger CE.随机环境中癫痫过程的非线性确定性动力学：内侧颞叶癫痫的评价。癫痫研究2001;44：129-40.[13] Iasemperor LD，Pardalos P，Sackellares JC，Shiau D-S.二次二元规划和动力系统方法确定癫痫发作的可预测性。Combi. Optimization2001;5（9）.[14] 泰勒癫痫脑电图中低维混沌的证据。物理快报A1995;196：335.[15] Babloyantz A，Destexhe A.癫痫症的低维混沌。ProcNatl Acad Sci USA 1986;83：3513.[16] Mormann F，Lehnertz K，David P，Elger CE.平均相位相干性作为相位同步的一种度量及其在癫痫患者脑电中的应用。PhysicaD 2000;144：358.[17] 张文，张文. 癫痫发作的混沌时间序列分析。物理学D1990;46：427。[18] Lehnertz，Elger CE.癫痫发作可以预测吗？脑电活动的非线性时间序列分析证据。 物理学评论快报1998;80：5019。[19] 李文奎M，马丁内瑞J，纳瓦罗V，布恩P，有MD，亚当C，雷诺B，瓦雷拉F，Baulac M。根据标准EEG记录预测癫痫发作。柳叶刀2001;357：183.[20] MartinerieJ，Adam C，Le Van Quyen M，Baulac M，Clemenceau S，Renault B，Varela FJ. 癫痫发作可以通过非线性分析来预测 NatMed1998;4：1173.[21] Lehnertz K，ArnholdJ，Grassberger P，Elger CE.大脑混乱。新加坡：世界科学;2000年。[22] IasembryosLD，Sackellares JC，Zaveri HP，Williams WJ. 部分性癫痫发作皮层电图的相空间地形图和李雅普诺夫指数。BrainTopogr1990;2：187.[23] TheilerJ，Rapp P.重新检查人类脑电图中低维非线性结构的证据。脑电图临床神经生理学1996;98：213.[24] Stam CJ，van Woerkom TCAM，Pritchard WS.使用非线性EEG测量来表征心理活动期间的EEG变化。脑电图临床神经生理学1996;99：214.[25] Rapp PE，Bashore TR，Martinerie JA，Albano AM，Zimmermann ID，MeesAI. 脑电活动的动力学。 Brain Topogr1989;2（99）.[26] JellesB，van Birgelen JH，Slaets JPJ，Hekster REM，Jonkman EJ，Stam CJ.与健康对照组相比，阿尔茨海默病患者EEG中的非线性结构减少。临床神经生理学杂志1999;110：1159.[27] Stam CJ，van Woerkom TCAM，Keunen RWM.克-雅病脑电图的非线性分析《生物学》，1997年;77：247。[28] Nandrino JL，Pezard L，MartinerieJ，El Massioui F，Renault B，JouventR，Allilaire JF，Wildlo cher D.脑电图复杂性降低是抑郁症的一种症状。神经学报告1994;5：528.[29] Pijn JPM，Velis DN，van der Heyden MJ，DeGoeddeJ，van Veelen C，Lopes daSilva FH. 基于颅内脑电图记录的癫痫发作的非线性动力学。脑地形图1997;9：249.[30] Mormann F，Lehnertz K，David P，Elger CE.平均相位相干性作为相位同步的一种度量及其在癫痫患者脑电中的应用。PhysicaD 2000;144：358.[31] Gautama T，Mandic DP，Van Hulle MM.脑电活动中非线性结构的指示。 PhysRev E 2003;67：046204。[32] Nigam副总裁，Grafford D.癫痫的神经网络检测神经研究2004;26：55-60.[33] GülerI，Übeyli ED.自适应神经模糊推理系统在E.E.分类中的应用G. 信号使用小波系数。神经科学方法杂志2005;148：113-21.[34] Abdulhamit S.基于小波特征提取和专家模型混合的脑电信号分类。EX pert SystAppl 2006. https://doi.org/10.1016/j的网站。eswa.2006.02.005网站。在媒体上[35] Adeli H，Ghosh-Dastidar S，Dadmehr N.小波-混沌方法用于分析E. E.G. s和E. E.G.子带以检测癫痫发作和癫痫。IEEE（Inst Electr Electron Eng）Trans Biomed Eng2006。https://doi.org/10.1109/TBME.2006.886855.[36] Guo L，Rivero D，DoradoJ，Rabunal JR，Pazos A.基于线长特征和人工神经网络的脑电癫痫自动检测。神经科学方法杂志2010;191：101-9.[37] 放大图片作者：Sriraam N. 基于时域和频域特征的人工神经网络癫痫检测。医学系统杂志2005;29：647-60.[38] Harikrishnana KP，Misrab R，Ambikac G，Kembanib AK.一种分析噪声时间序列的非主观G.P.算法。Physica D 2006;215：137-45.[39] Kannathala N，Rajendra Acharyab U，Limb CM，Sadasidad PK. EEG的表征-比较研究。 计算方法进展生物医学2005;80：17-23.[40] Kannathala N，Choo ML，Acharyab UR，SadasiPK.熵用于癫痫的脑电图检测。计算方法进展生物医学2005;80：187-94。[41] [10]杨文辉，王文辉. 利用人工神经网络进行基于近似熵的癫痫脑电图检测。IEEETrans Inf Technol Biomed 2006. https://doi.org/10.1109/TITB.2006.884369网站。[42] Nicolaou N，GeorgiouJ.基于排列熵和支持向量机的癫痫脑电检测。E X pertSyst Appl 2012;39：202-9.[43] 居勒岛于贝利·埃德用特征向量法提取特征检测脑电信号的变异性。Pattern Lett2006;28（5）：592-603. 网址：//doi. org/10.1016/j.patrec.2006.10.004。在这个问题上。[44] Polat K，Gunes S.基于模糊资源分配机制分类器、主成分分析和FFT方法的人工免疫识别系统的新型混合自动识别系统进行脑电信号分类。 Expert Syst Appl 2008;34（3）：2039-48.在这个问题上。[45] Kumar Y，Dewal ML，Anand RS.使用基于DWT的近似熵和人工神经网络检测E.E.G.癫痫发作，8; 2014。第1323页。https://doi.org/10.1007/s11760-012-0362-9. SIVIP。[46] Subasi A，Gursoy MI.使用PCA进行脑电图信号分类，移民局，LDA和支持向量机。E X pert Syst Appl 2010;37：8659-66.[47] 放大图片作者：J.利用K均值聚类和多层感知器神经网络模型对脑电信号进行分类。E X pert Syst Appl2011;38：13475-81.[48] 王丽娜、薛维宁、杨莉、骆美林、黄杰、崔伟刚、黄超。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2017;19：222. 网址：http：//doi.org/10.3390/e19060222[49] 加伊奇·德拉戈柳布，久罗维奇·泽利科，格利戈里耶维奇·约万，迪·杰纳罗·斯特凡诺，萨维奇-加伊奇·伊什.基于时频和非线性分析的脑电信号癫痫样活动检测。Comput. Neurosci. 2015年;24. https://doi.org/10.3389/fncom.2015.00038。三月[50] 王东，苗东，谢春.基于最佳基的小波包熵特征提取和脑电分级分类用于癫痫检测。E X pert Syst Appl 2011;38：14314-20.[51] Paul Fergus，Hignett David，Hussain Abir，Al-Jumeily Dhiya，Abdel-AzizKhaled.利用头皮脑电图和先进的人工智能技术自动检测癫痫发作。BioMed ResInt 2015. https://doi.org/10.1155/2015/986736.[52] 许国忠，余世南。基于子带非线性参数和遗传算法的癫痫发作检测。 计算机生物医学2010;40：823-30。[53] 夏米拉阿肖克，马丹赛比，斯利瓦斯塔瓦凯杰里。基于小波变换的hurst指数和SVM、K-NN分类器的癫痫检测。Serbian Journal of E Xperimental and ClinicalResearch 2019;19（4）：311-9. https://doi.org/10.1515/sjecr-2017-0043。23岁[54] 李晓，李晓，李晓.自动癫痫发作检测和预测的经验模式分解、离散小波变换和小波包分解的性能评估。生物医学信号处理控制2018;39：94-102。[55] Satapathy Sandeep Kumar，Dehuri Satchidananda，Kumar Jagadev Alok.不同机器学习技术用于E.E.分类的实证分析。G. 信号来检测癫痫发作。 Int J Appl Eng Res 2016;11（1）：120-9.[56] 放大图片作者：Subasi Abdulhamit，Kevric Jasmin，Abdullah Canbaz M.使用混合机器学习方法的癫痫发作检测。神经计算应用2019;31（1）：317-25.[57] 侯赛因·拉尔采用先进的参数优化方法，使用鲁棒的机器学习分类技术，采用不同的特征提取策略检测癫痫发作。认知神经动力学2018;12（3）：271-94。[58] Rosas-Romero Roberto，Guevara Edgar，Peng Ke，Nguyen DangKhoa，LesageF r'e d'eric，PouliotPhilippe，Lima-SaadWassim-Enrique. 用卷积神经网络和功能性近红外光谱信号预测癫痫发作。 Comput Biol Med 2019;111：103355.
我的内容管理
展开
