[论文解读] A hybrid automated detection of epileptic seizures in EEG based on wavelet and machine learning techniques

Asmaa Hamad, Aboul Ella Hassanien+2 more|arXiv (Cornell University)|Jul 13, 2018

EEG and Brain-Computer Interfaces被引用 4

一句话总结

本研究提出一种基于离散小波变换（DWT）的混合EEG癫痫发作检测系统，采用DWT进行特征提取，并利用三种机器学习分类器——SVMRBF、KNN和朴素贝叶斯——进行分类。该方法在使用SVMRBF时，能以100%的准确率区分正常与癫痫EEG信号，优于先前方法，并在多个测试案例中表现出高度可靠性。

ABSTRACT

Epilepsy is a neurological condition such that it affects the brain and the nervous system. It is characterized by recurrent seizures, which are physical reactions to sudden, usually brief, excessive electrical discharges in a group of brain cells. Hence, seizure identification has great importance in clinical therapy of epileptic patients. Electroencephalogram (EEG) is one of the main biomarker that can measure voltage fluctuations of the brain and EEG data analysis helps to investigate the patient with epilepsy syndrome as epilepsy leaves their signature in EEG signals. In this paper, the Discrete Wavelet Transform (DWT) is applied to EEG signals to pre-processing, decompose it till the 4th level of decomposition tree.Various features like Entropy, Min, Max, Mean, Median, Standard deviation, Variance, Skewness, Energy and Relative Wave Energy (RWE) were computed in terms of detailed coefficients and the approximation coefficients of the last decomposition level.Then, the extracted features are evaluated by three modern machine-learning classifiers such as Radial Basis Function based Support Vector Machine (SVMRBF), k-Nearest Neighbor (KNN) and Naive Bayes (NB). The experimental results demonstrate that the highest classification accuracy (100\\%) for normal subject data versus epileptic data is obtained by SVMRBF. the corresponding accuracy between normal subject data and epileptic data using KNN and NB is obtained as 99.50\\% and 99\\% for the eyes open and eyes closed conditions, respectively. The similar accuracies, while comparing the interictal and ictal data, are obtained as 99\\%, 97.50\\% and 98.50\\% using the SVMRBF, KNN and NB classifiers, respectively. These accuracies are quite higher than earlier results published.

研究动机与目标

• 开发一种自动化、准确且高效的EEG信号癫痫发作检测方法，以减少对耗时的视觉解读的依赖。
• 通过结合小波特征提取与先进机器学习模型，提升分类性能。
• 评估并比较SVMRBF、KNN和朴素贝叶斯分类器在区分正常、发作间期和发作期EEG状态方面的有效性。
• 建立一种稳健且可重复的EEG基癫痫发作检测框架，以支持临床决策。

提出的方法

• 将离散小波变换（DWT）应用于EEG信号，分解至第4层，以提取详细系数与近似系数。
• 从DWT系数中计算10项特征：熵、最小值、最大值、均值、中位数、标准差、方差、偏度、能量和相对波能（RWE）。
• 将提取的特征用作三种机器学习分类器的输入：基于径向基函数的支撑向量机（SVMRBF）、k-最近邻（KNN）和朴素贝叶斯（NB）。
• 采用10折交叉验证训练和测试分类器，每次使用90%的数据进行训练，10%用于测试，重复10次以确保统计可靠性。
• 通过准确率、敏感性、特异性、精确率和F1值等指标评估分类性能。
• 在四个测试案例中对方法进行验证，比较正常（睁眼/闭眼）、发作间期和发作期EEG数据。

实验结果

研究问题

• RQ1 基于DWT的特征提取能否有效捕捉EEG信号中用于癫痫发作检测的判别性模式？
• RQ2 SVMRBF、KNN和朴素贝叶斯分类器在分类正常与癫痫EEG状态方面表现如何比较？
• RQ3 所提出的混合系统在不同EEG信号类型（如睁眼、闭眼、发作间期、发作期）下的分类准确率是多少？
• RQ4 与现有方法相比，小波特征与机器学习模型的结合是否显著提升了检测准确率？

主要发现

• SVMRBF分类器在区分正常EEG（睁眼）与癫痫发作期活动时达到100%准确率，敏感性和特异性均为100%。
• 在闭眼条件下，SVMRBF保持100%准确率，而KNN和朴素贝叶斯分别达到99.5%和99%的准确率。
• 在分类发作间期与发作期EEG信号时，SVMRBF准确率为97%，KNN和朴素贝叶斯均为96.5%，表明所有情况下均表现优异。
• 所提出方法优于现有方法，报告的准确率超过早期研究，如85.16%（SVM与PE结合）、95.2%（小波+人工神经网络）和99.2%（遗传编程+KNN）。
• 从DWT系数中提取的相对波能（RWE）及其他统计特征在捕捉EEG信号中与癫痫相关的模式方面表现出高度有效性。
• 10折交叉验证结果表明，所有测试案例中性能一致且优异，证实了所提框架的稳健性与泛化能力。