[论文解读] A review on Epileptic Seizure Detection using Machine Learning

Muhammad Shoaib Farooq, Aimen Zulfiqar+1 more|arXiv (Cornell University)|Oct 5, 2022

EEG and Brain-Computer Interfaces被引用 6

一句话总结

本文系统综述了基于EEG信号的癫痫发作检测中机器学习方法的应用，分析了基准数据集上的特征提取技术与分类器。研究识别出主流方法，评估了分类性能，并指出了在自动癫痫发作预测领域中的研究空白、挑战与未来机遇。

ABSTRACT

Epilepsy is a neurological brain disorder which life threatening and gives rise to recurrent seizures that are unprovoked. It occurs due to the abnormal chemical changes in our brain. Over the course of many years, studies have been conducted to support automatic diagnosis of epileptic seizures for the ease of clinicians. For that, several studies entail the use of machine learning methods for the early prediction of epileptic seizures. Mainly, feature extraction methods have been used to extract the right features from the EEG data generated by the EEG machine and then various machine learning classifiers are used for the classification process. This study provides a systematic literature review of feature selection process as well as the classification performance. This study was limited to the finding of most used feature extraction methods and the classifiers used for accurate classification of normal to epileptic seizures. The existing literature was examined from well-known repositories such as MPDI, IEEEXplore, Wiley, Elsevier, ACM, Springerlink and others. Furthermore, a taxonomy was created that recapitulates the state-of-the-art used solutions for this problem. We also studied the nature of different benchmark and unbiased datasets and gave a rigorous analysis of the working of classifiers. Finally, we concluded the research by presenting the gaps, challenges and opportunities which can further help researchers in prediction of epileptic seizure

研究动机与目标

• 识别并分析EEG基癫痫发作检测中最常使用的特征提取方法。
• 评估不同机器学习分类器在区分正常与癫痫EEG信号方面的性能。
• 考察用于癫痫发作检测研究的基准EEG数据集的特性和可靠性。
• 识别当前方法中的关键挑战与研究空白，以促进未来自动癫痫发作预测的改进。
• 为基于机器学习的癫痫发作检测提供最先进的解决方案综合分类体系。

提出的方法

• 通过IEEE Xplore、SpringerLink、Elsevier、Wiley和ACM等权威数据库开展系统文献综述。
• 收集并分析聚焦于EEG信号处理与机器学习在癫痫发作检测中应用的研究。
• 对时间域、频域及时频域等特征提取技术进行分类与比较。
• 基于准确率与泛化性能，评估SVM、随机森林、KNN及深度学习模型等机器学习分类器。
• 构建分类体系，总结最先进的解决方案及其与EEG数据处理流程的整合方式。
• 对研究中数据集的偏差、规模与标准化情况进行严格分析，以评估结果的可重现性与公平性。

实验结果

研究问题

• RQ1 在EEG基癫痫发作检测中，哪些特征提取方法使用频率最高？
• RQ2 不同机器学习分类器在区分正常与癫痫EEG信号方面，其准确率与鲁棒性如何比较？
• RQ3 用于癫痫发作检测研究的公开EEG数据集的关键特性与局限性是什么？
• RQ4 当前自动癫痫发作检测方法中仍存在哪些主要挑战与研究空白？
• RQ5 在该领域中，提升机器学习模型可靠性与临床适用性的潜在机会有哪些？

主要发现

• SVM与随机森林分类器在多个基准数据集上均表现出高准确率，多项研究中报告的F1分数超过95%。
• 时频域特征（如小波变换与短时傅里叶变换）在捕捉EEG信号中的发作相关模式方面最为有效。
• CHB-MIT与Bonn EEG数据集是最广泛使用的基准数据集，但存在类别不平衡及患者人群多样性不足的问题。
• 尽管在受控环境中性能优异，但在多样化患者群体及真实临床环境中的泛化能力仍是重大挑战。
• 多项研究报告的敏感度与特异性超过90%，但极少涉及模型可解释性与实时部署约束。
• 综述发现缺乏标准化的评估协议，且由于数据划分与超参数调优方法不一致，导致可重现性问题。