癫痫脑电信号分类识别研究：ABC优化RBF网络的应用

埃及信息学杂志（2017）18，55开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com全长文章ABC优化RBF网络用于癫痫发作脑电信号分类识别Sandeep Kumar Satapathya，*，Satchidananda Dehurib，Alok Kumar Jagadevca印度奥里萨邦布巴内斯瓦尔S'O'A大学ITER计算机科学工程系bFakir Mohan大学信息通信技术系，Vyasa Vihar，Januganj，Balasore 756019，印度c印度奥里萨邦布巴内斯瓦尔751024 KIIT大学计算机工程学院接收日期：2015年12月18日;修订日期：2016年3月28日;接受日期：2016年5月3日2016年7月9日在线发布摘要脑信号通常会产生一定的电信号，这些电信号可以被记录和分析，用于检测脑功能障碍性疾病。这些小信号被明确地称为脑电图（EEG）信号。本研究将人工蜂群神经网络和径向基函数神经网络的最佳属性相结合，通过脑电信号分析来分析人类大脑中的癫痫疾病。我们已经使用离散小波变换（DWT）技术从信号中提取潜在的功能在我们的研究中，这些信号的分类，在本文中，RBFNN已被训练的ABC算法的修改版本在改进的ABC中，与ABC的轮盘赌轮选择不同，基于二进制锦标赛选择此外，诸如高斯、多二次和逆多二次的内核用于测量该方法在健康片段、无癫痫片段和癫痫发作片段的众多混合中的有效性我们的实验结果证实，RBFNN的逆多二次核训练与修改ABC是显着优于RBFNN与其他核训练ABC和修改ABC。©2016制作和主办由Elsevier B.V.代表计算机与信息学院开罗大学。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/）。1. 介绍*通讯作者。电子邮件地址：sandeepkumar04@gmail.com（S.K.Satapathy），satchi. gmail.com（ S.Dehuri ） ，alokkumar_j@gmail.com（A.K.Jagadev）。开罗大学计算机和信息系负责同行审查。制作和主办：Elsevier脑电信号是人脑中多个神经元之间存在信息流时产生的信号[1]。人类大脑包含数百万个负责信息流的神经元由于这种信息流，人体相应地行动。一个神经元撞击另一个神经元，这个过程会持续几个神经元，因此会产生非常少量的放电。该电信号的量非常小，因此很难测量频率。因此，有几个电极放置在头皮上的那些读取这个电流http://dx.doi.org/10.1016/j.eij.2016.05.0011110-8665© 2016制作和主办Elsevier B. V.代表开罗大学计算机和信息学院这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词脑电;径向基函数神经网络;人工蜂群;离散小波变换56S.K. Satapathy等人频率由机器记录[2]。这些信号本质上是非常瞬态的，因为这些信号的频率相对于时间快速变化。因此，应仔细进行信号分析[3]首先，这些信号必须在分析之前通过某种方式记录下来。在人体头皮上放置电极记录脑电信号的国际标准有10-20种。电极放置在头皮的不同区域，例如额部、顶骨、枕部和颞部。通过这些电极，可以在机器中记录和处理EEG信号[4，5]。通常，这些机器会绘制记录信号的图形，随后可以由医学专业人员进行分析。其次，这些信号的分析对于医学科学中的某些应用是非常必要的。快速傅立叶变换通常用于连续信号，不适合于脑电信号的分析。离散小波变换是分析这类信号最有效的方法之一[6]。它是一种信号分解技术，使用两种类型的滤波器，即低通滤波器和高通滤波器，将信号分为低频带和高频带。在此分解之后，针对每个信号提取若干特征。该特征集可用于进一步处理。在分析这些信号之后，我们可以发现关于人类大脑的有效和潜在有用的信息。在续集中，这可能有助于识别不同类型的人类大脑疾病。这种疾病被称为癫痫[7]。它是由于异常的脑电信号流而引起的人脑活动的一种紊乱。这种疾病发作的时间段被称为癫痫发作。这种癫痫发作可能会持续一小段时间，在此期间会产生非常高频率的EEG。视觉检查是费力的;因此，为了开发半自动癫痫发作检测技术进行了大量研究。因此，本研究的第三个也是最重要的方面是EEG信号的分类[8]。分类是数据挖掘的基本任务之一。它是通过从训练模式构建模型并随后在测试集中验证来将未标记模式分配到特定预定义类的过程。可以有两个类或多类问题。在我们的研究中，我们将把EEG信号分为两组，即癫痫组和正常组[9因此，这是一个两类问题。有很多分类算法可用，其中机器学习算法是最有效的，能够对数据样本进行高精度分类。机器学习是一种通过使用一些先前已知的实例来训练模型来构建用于执行特定任务的模型的技术。这就像一个小孩子通过观察他附近发生的动作来学习不同的活动。用于分类的不同机器学习技术是人工神经网络[12在[21]中，我们对这些不同的机器学习技术在癫痫发作识别的EEG信号分类中的应用进行了实证分析。由此可以得出结论，SVM和PNN是非常有效的。但是RBF神经网络的简化结构在提高其对EEG信号分类的准确性方面吸引了更多的关注[20，22，23]。相比其他在这项研究中，我们高度重视RBFNN的性能增强。为此，提出了一种使用人工蜂群（ABC）训练RBFNN的新算法[20]。本文件其余章节载列如下。第二节介绍了用于进行这项研究工作的材料和第3节描述了我们的工作。在第四部分中，进行了实验研究，第五部分总结了本文的研究问题。2. 材料和方法数据选择和准备是本节的关键小节之一。基本方法如RBFNN和ABC分别在2.3节和2.42.1. 数据选择在这项研究工作中，我们收集了脑电图数据癫痫发作识别从网上资源。这是许多研究人员在研究工作中使用的EEG数据的公开来源。主要分为A、B、C、D、E五种类型。每组包含100个单通道EEG片段。每一区段具有23.6的持续时间。所有这些数据都是通过消除由于眼睛或肌肉运动而产生的伪影而准备的。组A和B分别从睁眼和闭眼的健康患者收集。集合C、D和E是从癫痫患者中收集的，但C和D是在无癫痫活动中记录的，而集合E包含癫痫活动。2.2. 离散小波变换基本上，所有类型的信号都是在时域中分析其幅度的。诸如EEG和ECG的信号通常是如果我们绘制这些数据，它可以给出一个形状，从中可以观察到患者的病理状况如果在形状上有任何明显的但有时为了正确和准确地分析信号，需要得到信号的频率成分它可以通过使用任何变换技术，如傅立叶变换。但是这种方法的缺点是，对于诸如EEG的瞬态信号不是很有效，因为EEG信号具有非常不确定和快速变化的频率。因此，很难进行有效的分析因此，我们需要一些其他的变换技术，如小波变换来分析脑电信号。这只是分析和处理数据的新视角这种技术背后的基本思想是使用一个规模进行分析。小波变换可分为连续小波变换和离散小波变换。CWT最初是作为短时傅立叶变换（STFT）的替代方案而开发的。在这里，计算信号与小波函数的乘积。然后针对不同的时域计算该变换。它的定义和给出如Eq。（1）：技术RBFNN具有由单个隐藏层以及输入和输出层组成的简单架构。CWT1a;b1xtωura;btdt1Z1ABC优化RBF网络在脑电信号分类中的应用57其中x（t）表示原始信号。a、b分别表示缩放因子和沿时间轴的平移r符号表示复共轭，并且通过在时间b和 尺 度 a 处 缩 放 小 波 来 计 算 ura;b （ 如 等 式 2 中 给 出（2））。你不知道。t-b218) 近似系数为18。已经提取了几个统计特征但在这项研究中，考虑了四个重要特征：I. 每个子带中小波系数的最大值II. 每个子带中小波系数的最小值III. 每个子带中小波系数的平均值a;bpjajaIV. 标准偏差的小波系数在每个其中ua;b表示母小波。在CWT，子带假设缩放和平移参数a和b连续变化。但连续小波变换的主要缺点是，计算每一个可能尺度的小波系数会导致大量的数据。 它可以通过DWT的帮助来克服。它通过将信号分解成一组称为近似和详细系数的高通和低通滤波器来分析不同频带的信号。这些系数可以通过使用MATLAB中的小波工具箱来计算。利用该工具箱提供的预定义函数，可以方便地提取脑电信号的特征.图1和图2给出了MATLAB小波GUI工具箱的一些快照。一比四从现有的数据来看，在[27]中，选择长度为256的离散数据的矩形窗口以形成单个EEG段。小波系数已使用四阶Daubechies计算。这种技术被认为是更合适的，因为它的平滑功能，这是更适合于检测EEG信号的变化。对于我们的工作，原始信号已被分解为四个详细系数（d1，d2，d3，d4）和四个近似系数（a1，a2，a3，a4）。为了简单起见，除了最后一步中的一个，即a4之外，忽略所有的近似系数。因此，通过使用DWT将信号分解为五个段。在这项工作中，对于四个详细的系数，我们得到247个系数（129+ 66+ 34 +100）。因此，对于五个系数，已经提取了总共二十个特征，并且已经构建了数据集。2.3. 径向基函数神经网络RBFNN是最简单的神经网络形式之一，它由三层组成，即输入层、隐藏层和输出层（如图所示）。5）。只有三层的限制使它成为最简单和某种程度上有效的神经网络架构。RBFNN的思想来源于函数逼近。RBF网络将一个或多个RBF神经元定位在由预测变量描述的空间这个空间的维数与预测变量的维数一样多欧几里得距离是从被评估的点到每个神经元的中心径向基函数之所以如此命名，是因为半径距离是函数的RBFNNN的输出取决于从一个给定的存储向量的输入的距离对于我们的工作，N个输入神经元，m个隐藏神经元和一个输出神经元。在RBFNN中使用了几种核函数，例如高斯、多二次和逆多二次。每个函数都有自己的优点，这取决于它们所使用的数据域基于图1使用db-2到4级的集合A的单通道EEG信号分解58S.K. Satapathy等人图2使用db-2的集合D的单通道EEG信号分解，直到水平4。图3使用db-2的集合E的单通道EEG信号分解，直到水平4。本文在前人研究的基础上，对高斯基函数、多二次基函数、逆多二次基函数在径向基神经网络中的辨识但发现逆多二次曲面的性能要比其他两种方法的性能高得多。ABC优化RBF网络在脑电信号分类中的应用59C21C2N6.图4分解后信号的统计特征提取图5 RBFNNN的架构300 ×1上图中使用的不同符号和尺寸如下（如表1所示）：上述符号可进一步描述如下：输入向量（X）= fx1; x2;.. . x Ng隐藏神经元=fH1<$X <$;H2<$X<$;H3<$X<$;. . . H mXg权重向量（W）=fw1;w;.. . w mg26C11C12· · ·C1N37中心矩阵（C）=.四、. 75Cm1Cm2···CmN扩展向量（r）= fr1;r2;.. . rmg表1RBFNNN的参数说明参数符号描述尺寸N输入向量200或300D期望输出向量200× 1或MW隐藏神经元数权重向量4040x1N输入神经元20X输入向量1x20C中心矩阵40x20R扩散矢量40x160S.K. Satapathy等人X.XX高斯函数;Hjxλexp！最大限度地减少错误。梯度下降的公式如下所示（如等式2所示）。（9））：w/w-g@E;c我@E¼c-gð9Þi i@w伊季@cij图6 ABC算法的工作过程。因此，RBFNNN的输出可以定义为：Xm其中g是学习参数或步长。我们通过考虑0.5和1.0之间的不同g值进行了几次实验评估。详细结果见下一节。还有其他几种学习技术，如粒子群优化（PSO）[24]，差分进化（DE）[25]和遗传算法（GA）[26]。基本上，RBF网络被用于许多应用中，因为它的结构简单，需要较少的可调参数。因此，要将RBFNNN应用于脑电分类的相关性，我们需要一些辅助技术来提高其性能。这可以通过将优化技术与训练方法相结合来实现。有几种可用的优化技术，如PSO，ABC和GA。我们再次选择ABC优化技术，因为它需要较少的可调参数，并且能够产生全局最优解。在这项研究中，我们提出了一个新的创新训练算法RBFNN人工蜂群（ABC）优化算法不同的参数，如中心，传播径向基函数输出j1wjωHjx3和权值的训练采用ABC优化算法。这是一种生物学算法，其中，Hj（x）可以是以下任一项.-kX-Cjk2！R2人造蜜蜂下一节将对此进行解释ð4Þ2.4. 人工蜂群算法多二次函数;Hxr。ffiffiðffiffiXffiffiffiffiffi-ffiffiffiffiffiCffiffiffiffiÞffiffi2ffiffiffiþffiffiffiffiffirffiffi2ffiffiΣffiffiffið5Þ人工蜂群是一种群体智能技术J J由Dervis Karaboga于2005年开发其主要1的目的是优化数值问题。它的动机是逆多二次函数;Hjxq2蜜蜂的觅食行为基本性质或其中;X-CjN¼-k¼1xk-cjkððX-CjÞ2012年2月ð6Þð7Þ蜜蜂的智慧可以用来解决许多现实生活中的问题。蜜蜂是有趣的蜂群之一为了衡量训练算法的性能，通过找到期望输出和实际输出之间的差异来计算误差因此，均方误差函数可以被定义为（在等式中给出）。（8）），1NMSE-C;r;w;n1/1dj-Mj12wjωH j xð8Þ2.3.1. RBFNN的学习网络的学习或训练是一个通过调整少量参数来适应环境的过程。对于RBFNN，为了获得给定输入的期望输出，主要有三个可调参数，例如中心，扩散和权重。有几个研究人员提出了几种学习算法这是一个基于一阶导数的优化算法，用于寻找函数的局部最小值。根据等式（8），误差可以通过找到期望输出和实际输出之间的差异来计算。然后，可以计算该误差相对于重量和中心的偏导数，以通过图7使用ABC算法的RBFNNN分类模型。22ABC优化RBF网络在脑电信号分类中的应用611/1我我在自然界中。他们拥有摄影记忆、太空时代的感官和导航系统等技能。蜜蜂是群居昆虫，生活在群体中（如图所示）。（六）。在ABC算法中，主要有两种类型的蜜蜂，如就业和失业的蜜蜂。失业的蜜蜂又可以分为旁观者的蜜蜂和侦察蜂。食物来源的初始化使用以下公式完成：xmi¼l irand0;1 ωui-li 10被雇佣的蜜蜂在它们记忆中的食物源的附近寻找具有更多花蜜的新食物源。相邻食物源可以通过使用以下公式来选择（如等式（Eq. （11））：vmix mi u mixmi-xki 11其中m=解的数量，i，k=要优化的参数的数量，并且u_mi是随机数。在选择邻域之后，可以使用适应度函数来计算它们的适应度。解的适应度值可以如下计算（如等式10所示）。（12））：（（ 1;iffm！xmP0信号有5个不同的集合（A，B，C，D和E）。为此，实验工作分为三个部分.第一个是由A E组成的，第二个是集合D E，第三个是A D和E的集合。这些数据集现在已准备好进行分类工作。在这里，我们已经为RBFNN的隐藏层的节点采取了三个突出的内核（在2.3这三个核函数在脑电信号分类中起着关键的作用，除了新颖的训练算法。通过考虑每个单独的核，RBFNN已经训练梯度下降方法，然后连续训练与ABC。然后利用RBFNN不同参数的中间值通过使用该算法，将计算中心，宽度和重量的最佳值在这里，目标函数被视为均方误差，如等式中给出（八）、以最小化误差为目标，ABC开始初始化解决方案（包括三个参数，如中心，宽度和重量），然后重复循环所需的步骤，直到几次运行/限制，参数将被优化。ABC算法将在三个不同的阶段进行好的！xm/ h一分钟！xm一杯咖啡！xm;iffm！xm0ð12Þ受雇蜜蜂，旁观者蜜蜂和侦察蜂。为了使蜜蜂的选择变得容易和有竞争力，我们更换了在跳舞区等待决定选择食物来源的蜜蜂被称为蜜蜂。它们根据以下公式（如等式所示），根据受雇蜜蜂提供的适合度值的概率选择食物来源（13））：二进制锦标赛的轮盘选择机制在ABC中采用这种机制的灵感来自于遗传算法的选择机制，其中随机选择的蜜蜂对将根据其适应值相互竞争以被选择。下面给出了所提出的方法的详细伪代码我的天啊！xið13ÞIPFSfit！X轴旁观者蜜蜂访问它们选择的食物来源，并识别附近的改良来源。他们在原始和新的来源之间进行评估和选择。那些被雇佣的蜜蜂，如果它们的食物来源被放弃了，它们就会成为侦察兵，去寻找新的食物来源。侦察兵发现了一个新的食物来源，采用EQ。其中rand是0和1之间的随机数。该算法避免进入局部最优的侦察机执行一个随机的全球搜索新的食物来源。3. 我们提出的方法我们的研究工作，主要集中在分类癫痫发作患者与。非 癫 痫 患 者 通 过 适 当 训 练 的 RBFNN 。 训 练 好 的RBFNN是结合梯度下降训练的RBFNN和改进的ABC的最佳属性而得到的首先，我们采用梯度下降的方法来训练RBFNN，然后训练的参数，如中心，传播，权重，喂养作为种子点的ABC和修改的ABC。优化后的参数建立了RBFNN的最终结构，为没有类别标签的样本分配类别标签。所提出的模型的详细流程图在图中给出。第七章一旦从源收集到原始EEG信号，首先应该对其进行分析，以发现这些信号的隐藏特性或特征。这可以使用DWT技术来实现，该技术将信号分解成若干个级别，从而提取不同的统计特征。脑电图建议方法输入：用于癫痫发作识别的预处理EEG数据集。输出：类标签预测步骤1：初始化和设置RBFNNN的参数步骤2：加载RBFNNN的训练样本并训练网络步骤3：初始化和设置ABC算法的参数，使用梯度下降学习方法进行一定次数的迭代。步骤4：初始化ABC算法中每个食物源的解决方案（中心，宽度和重量）为步骤2中找到的中心，宽度和步骤5：使用等式2找到适应值。（12）目标函数定义在方程中。（八）、第6步：设置循环=0，并为每个被雇用的蜜蜂设置试验=0第7步：重复第8步至第15步，直到循环周期限制<步骤8：对于每个被雇用的蜜蜂，通过使用等式（1）找到邻居蜜蜂（十一）步骤9：找到适应值并进行贪婪选择。步骤10：如果选择了解决方案，则设置试验=0，否则试验++步骤11：使用锦标赛选择选择一只蜜蜂步骤12：找到适应值并进行贪婪选择。步骤13：如果选择解决方案，则设置试验=0，否则试验++第14步：选择目前为止找到的最佳解决方案第15步：如果有任何解决方案，trials=trialLimit第16步：放弃解决方案（侦察蜂）步骤17：随机初始化解决方案，然后转到步骤7。步骤18：通过上述步骤中找到的优化参数（中心，宽度和权重）62S.K. Satapathy等人(a)高斯RBF(b)逆多二次RBF4. 实验研究对于本研究，从公开来源收集了五组用于癫痫发作识别的EEG信号[27]。实验中采用了三种组合，即A E组（实验1）、D E组（实验2）和A+ D E组（实验3）。所有这三个数据集首先被用于使用具有梯度下降学习算法的RBFNN进行分类。该算法通过取从0.5到1.0的不同的学习参数（g）值来评估。通过不同的实验评价，我们发现，对于EEG数据集，高斯和逆多二次基函数优于多二次函数。在此基础上，对ABC算法在提高RBFNN性能方面的应用进行了深入的研究。4.1. 环境和参数设置对于脑电信号的小波变换，我们使用了MATLAB的小波变换工具箱。在此之后，整个实验工作的所有其他编程对于ABC算法，有几个参数已经被初始设置，如下所示：a. 群体大小=40（即受雇蜜蜂+工蜂的数量b. 号食物来源=20（菌落大小/2）c. maxLimit= 100（食物来源可以改善的次数d. maxCycle= 50（觅食周期(A)高斯RBF(b)逆多二次RBF图8实验1（A和E）梯度下降法的MSE图，g值变化图9实验2（D E）具有变化g值的梯度下降方法的MSE图ABC优化RBF网络在脑电信号分类中的应用63-n1/1Jj1JJ(a)高斯RBF(b)逆多二次RBF图10实验3（A+ D E）具有变化的g值的梯度下降方法的MSE图(a) GaussianRBF（b）逆多二次RBF图11实验1（集合A和E）ABC训练的RBF的MSE图(a) GaussianRBF（b）逆多二次RBF图12实验2（集合D E）ABC训练的RBFNNN的MSE图e. 要优化的参数数量=880（中心参数+扩展参数数+G. 适应度函数，fc;r;w1。Pn d-Pm wωHx2，权重参数数）F. lb = 1，ub =+1（lb-参数下限，ub-参数上限）其中，对于高斯函数H，j（x）在等式中给出（4）、多二次函数Hj（x）在等式中给出。并且逆多二次函数Hj（x）在等式（5）（六）、64S.K. Satapathy等人þ¼ ð Þ表2GD学习和ABC学习在逆多二次RBFNN实验特异性灵敏度精度RBFNN，RBFNN，RBFNN，RBFNN，RBFNN，RBFNN，GDABCGDABCGDABC集合A和E84.185.765.766.471.572.5集合D和E100.0100.080.088.587.593.5集合A+ D E76.895.663.266.073.381.6表3ABC学习和改进的ABC学习与逆多二次RBFNN的性能比较。实验特异性灵敏度精度带ABC的RBFNNRBFNN与MABC带ABC的RBFNNRBFNN与MABC带ABC的RBFNNRBFNN与MABC集合A和E85.788.166.466.072.573.5集合D和E100.0100.088.597.093.598.5集合A+ D E95.696.066.068.481.683.0表4 GD学习和ABC学习与逆多二次RBFNN的性能比较，10倍交叉验证。实验平均特异性平均灵敏度平均准确率RBFNN，RBFNN，RBFNN，RBFNN，RBFNN，RBFNN，GDABCGDABCGDABC集合A和E84.084.265.265.271.071.5集合D和E100.0100.079.587.586.092.5集合A+ D E75.293.462.065.571.480.5表5ABC学习和改进的ABC学习与逆多二次RBFNN的性能比较10-交叉验证实验平均特异性平均灵敏度平均准确率RBFNN，RBFNN，RBFNN，RBFNN，RBFNN，RBFNN，ABCMABCABCMABCABCMABC集合A和E84.287.565.265.671.572.6集合D和E100.0100.087.596.492.598.0集合A+ D E93.495.665.568.080.582.3对于RBFNN，主要有三种类型的基函数，如高斯，多二次和逆多二次。但由于高斯和逆二次曲面的高性能，EE专属性¼EE AEAA灵敏度¼AA;1400万#21515;，忽视分类器的分类结果由混淆矩阵收集。在混淆矩阵中，每个单元格包含针对期望和实际网络输出的相应组合分类的样本数量。通过计算不同实验的以下统计参数确定方法的检测性能实验1（A组和E组）：模型的精度定义为：精度A.A.：16EEAAAE其中AA：属于A类并预测为A（真阳性）的病例计数;AE ：属于E 类并预测为A（假阳性）的病例计数;EE ：属于E 类并预测为E（真阴性）的病例计数;EA：ABC优化RBF网络在脑电信号分类中的应用65属于A类，并被预测为E（假阴性）。类似地，A和E的含义定义如下：A：从睁着眼睛的健康志愿者记录的EEG信号，E：在癫痫发作期间从癫痫患者记录的EEG信号。类似地，其他实验的性能度量已经被定义为如等式（14）然而，符号是不同的。使用k折交叉验证对结果进行了验证。这里，k值被选择为10。因此，整个数据集被划分为10个唯一的子集，即在分类过程的每个循环中，一个集合用于测试目的，其余集合用于训练目的。结果，总共执行了10次分类任务，并计算了性能度量。因此，将这些指标的平均值作为最终性能结果。观察到通过交叉验证获得的最佳性能结果和平均性能结果之间存在非常微小的差异。4.2. 结果与分析图图8 -10示出了分别针对实验编号1、2和3的具有（a）高斯RBF和（b）具有变化的学习参数的逆多二次RBF的RBFNNN的MSE图。从这些实验中可以得出结论，对于逆多二次RBF，学习参数没有影响。对于高斯型径向基函数，随着学习参数的增大，均方误差迅速趋于最小，且对于一定的学习参数，均方误差最小。现在，RBFNN已经使用ABC算法进行了训练，并针对ABC的不同运行绘制了均方误差图以进行性能评估。图图11和图12示出了具有（a）高斯RBF和（b）逆多二次RBF的ABC算法的50次运行的MSE的变化。结 果 表 明 ， 采 用 ABC 训 练 算 法 ， 逆 多 二 次 函 数RBFNNN的性能得到了提高。MSE已成功降低至0.07（近似），用ABC优化算法对网络进行训练。表2显示了RBFNN的梯度下降和人工蜂群两种训练方法之间的灵敏度，特异性和准确性的比较显然，这表明，在所有三个实验中，用ABC算法训练的RBFNN的性能优于传统的梯度下降方法。表3显示了一般ABC和我们修改的ABC的性能比较。这些结果取自分类器的最佳性能。表4和5显示了从10倍交叉验证分类器获得的结果。显然，这些结果没有太大的差异。虽然实验1和3的性能有所改善，但我们可以在实验3中发现巨大的改善。从这个实验评估，它清楚地证明了改进的ABC算法可以分类癫痫识别EEG数据具有最高的准确性。5. 结论我们的方法主要是基于人工蜂群算法，这是一个新的和强大的算法用于训练RBFNN。然而，我们注意到，在蜜蜂阶段采用二进制锦标赛选择后，我们的新方法用于分类癫痫发作与癫痫发作。在三个不同的实验中，非癫痫发作的表现明显 优 于 GD 和 ABC 训 练 的 RBFNN 。 将 ABC 训 练 的RBFNN 算 法 与 研 究 者 常 用 的 梯 度 下 降 法 训 练 的RBFNN算法进行了性能比较最后，我们的结论是ABC可以成功地应用于提高RBF网络的性能，用于脑电信号的分类，以检测癫痫发作。此外，利用小波变换对脑电信号进行了预处理，这也是进行分类之前的一个重要我们未来的研究工作将围绕这一主题，研究EGG信号分析中的类不平衡问题引用[1] 作者：NiedermeyerE，da Silva F. 脑电描记术：基本原理 、 临 床 应 用 及 相 关 领 域 。 第 5 版 London： LippincottWilliams and Wilkins; 2005.[2] 马宗达湾人类头皮EEG处理：各种软计算方法。 ApplSoft Comput 2011;11（8）：4433-47.[3] Sanei S，Chambers JA. EEG信号处理。New York：Wiley.[4] 莱纳斯湾癫痫患者颅内脑电图记录的非线性时间序列分析-综述国际心理生理学杂志1999;34（1）：45-52.[5] AlicataFM，Stefanini C，Elia M，Ferri R，Del Gravis S，MusumeciSA.睡眠时脑电慢波活动的混沌行为。脑电图临床神经生理学1996;99（6）：539-43.[6] 奥贾克湾基于离散小波变换和近似熵的脑电癫痫发作自动检测。 专家系统应用2009;36（2）：2027-36.[7] Witte H，Iasembered LD，Litt B.癫痫发作预测特刊。IEEETrans Biomed Eng2003;50（5）：537-8.[8] Acharya UR，Sree SV，Swapna G，Martis R Joy，Suri JS.癫 痫 的 自 动 脑 电 图 分 析 ： 综 述 。 基于知 识 的系 统2013;45：147-65。[9] Finley KH，Dynes JB.癫痫的脑电图研究：批判性分析。Brain1942;65：256-65.[10] GotmanJ. 脑电中癫痫发作的自动识别脑电图临床神经物理1982;54（5）：530-40。[11] [10]杨文，李文，李文.癫痫脑电的自组织映射分类。In：Aleksander I，Taylor J，editors.人工神经网络，第2卷。p.1147- 50[12] 放大图片作者：Gabriel M.使用人工神经网络的自动发作间期EEG棘波检测。脑电图临床神经生理学1992;83（5）：271-80.[13] 杨伟杰，李伟杰，李伟杰.用人工神经网络进行脑电模式识别。脑电与临床神经生理学1993;86（2）：100-9.[14] WebberWRS，Litt B，Wilson K，Lesser RP. 使用人工神经网络实际检测EEG中的癫痫样放电（Eds）：原始和参数化EEG数据的比较。脑电图临床神经生理学1994;91（3）：194-204.[15] Pradhan N，Sadasivan PK，Arunodaya GR.通过人工神经网络检测EEG中的癫痫活动：初步研究。Comput BiomedRes1996;29（4）：303-13.[16] 杨文伟，杨文伟，杨文伟.用神经网络检测EEG中的癫痫活动。在：第三届国际会议的神经网络应用程序。p.179比86[17] 嘉宝AJ。使用自组织神经网络的癫痫发作检测：与其他检测策略的验证和比较。脑电图临床神经生理学1998;107（1）：27-32.66S.K. Satapathy等人[18] Walczack S，Nowack WJ.一种利用θ脑电图偏侧爆发诊断癫痫的人工神经网络方法。医学系统学杂志2001;25（1）：9-20.[19] Nigam副总裁，Grafford D.癫痫的神经网络检测神经研究2004;26（1）：55-60。[20] 张文龙，王文龙.人工蜂群在单目标和多目标优化中的研究进展。 Int J Appl MetaQuotes Comput 2013;4（1）：32-49.[21] Satapathy SK，Jagadev AK，Dehuri S.神经网络训练算法的实证分析：以java框架下脑电信号分类为例。Adv IntellSystComput 2015;309：151-60.[22] RobertC，Gaudy JF，Limoge A. 使用神经网络进行脑电处理。 临床神经生理学2000;113（5）：694-701。[23] [10]张文辉，张文辉.一种用于脑电信号癫痫分类的径向基函数神经网络模型。医学系统杂志2008;32（5）：403-8。[24] Dehuri S，Roy R，Cho SB，Ghosh A.一种改进的群优化函数连 接 人 工 神 经 网 络 （ ISO-FLANN ） 用 于 分 类 。 J SystSoftw2012;85（6）：1333-45.[25] Dash ChSK，Dash AP，Dehuri S，Cho SB，Wang GN。基于DE+ RBFNN的分类：特别注意去除不一致和不相关的特征。工程应用AI2013;26（10）：2315-26。[26] Dehuri S，Cho SB.功能链接神经网络分类中的进化优化特征。专家系统应用2010;37（6）：4379-91.[27] Andrzejak RG，Lehnertz K，Rieke C，Mormann F，David P，ElgerCE.脑电活动时间序列的非线性、确定性和有限维结构的表征：与记录区域和大脑状态的关系。物理学评论快报2001;64：061907-1-7-8。