[论文解读] Automated Diagnosis of Epilepsy Employing Multifractal Detrended Fluctuation Analysis Based Features

Sawon Pratiher, Soumya Chatterjee+1 more|arXiv (Cornell University)|Apr 5, 2017

Complex Systems and Time Series Analysis参考文献 21被引用 3

一句话总结

本论文提出了一种基于多分形去趋势波动分析（MFDFA）的自动化癫痫诊断系统，用于从脑电图（EEG）信号中提取特征，并采用支持向量机（SVM）进行分类。该方法在多个配置下实现了超过95%的分类准确率，相较于同一数据集上的先前研究表现出更优性能，尤其在区分发作期、发作间期和健康状态方面表现突出。

ABSTRACT

This contribution reports an application of MultiFractal Detrended Fluctuation Analysis, MFDFA based novel feature extraction technique for automated detection of epilepsy. In fractal geometry, Multifractal Detrended Fluctuation Analysis MFDFA is a popular technique to examine the self-similarity of a nonlinear, chaotic and noisy time series. In the present research work, EEG signals representing healthy, interictal (seizure free) and ictal activities (seizure) are acquired from an existing available database. The acquired EEG signals of different states are at first analyzed using MFDFA. To requisite the time series singularity quantification at local and global scales, a novel set of fourteen different features. Suitable feature ranking employing students t-test has been done to select the most statistically significant features which are henceforth being used as inputs to a support vector machines (SVM) classifier for the classification of different EEG signals. Eight different classification problems have been presented in this paper and it has been observed that the overall classification accuracy using MFDFA based features are reasonably satisfactory for all classification problems. The performance of the proposed method are also found to be quite commensurable and in some cases even better when compared with the results published in existing literature studied on the similar data set.

研究动机与目标

• 开发一种基于EEG信号的自动化癫痫诊断系统。
• 利用多分形去趋势波动分析（MFDFA）从EEG信号中提取具有区分性的特征。
• 通过t检验排序选择具有统计显著性的特征，以提高分类准确率。
• 在涉及健康、发作间期和发作期EEG状态的八种不同分类任务中评估所提出方法。
• 证明该方法在相同EEG数据库上的性能与现有文献相比具有竞争力或优越性。

提出的方法

• 本研究使用MFDFA分析非线性、含噪声的EEG时间序列，量化其在局部和全局尺度上的多分形奇异性质。
• 提取了十四项新型基于MFDFA的特征，以表征不同脑状态EEG信号的多分形特性。
• 应用学生t检验对特征进行排序和选择，以保留最具统计显著性的特征用于分类。
• 将所选特征输入支持向量机（SVM）分类器，以区分健康、发作间期和发作期EEG状态。
• 制定了八种不同的分类问题，包括二分类和多分类任务，以全面评估该方法。
• 采用标准指标评估性能，并将结果与同一数据集上已发表的基准进行比较。

实验结果

研究问题

• RQ1 基于MFDFA的特征能否有效捕捉不同癫痫状态下EEG信号的多分形动力学？
• RQ2 与现有方法相比，基于MFDFA的特征提取在将EEG信号分类为健康、发作间期或发作期时的性能如何？
• RQ3 通过统计显著性检验选择的MFDFA衍生特征子集中，哪一组能实现最高的分类准确率？
• RQ4 所提出方法在相同EEG数据库上是否实现了优于或相当的性能表现？
• RQ5 MFDFA与SVM的结合能否在多种分类任务中提供稳健且自动化的癫痫诊断？

主要发现

• 所提出的基于MFDFA的特征提取方法在多个分类任务中整体分类准确率超过95%。
• 在相同EEG数据库上评估时，该方法的性能与现有文献相当或更优。
• 通过t检验进行的特征选择显著提高了分类准确率，仅保留最具区分性的特征。
• 在发作期与发作间期分类任务中观察到最高准确率，表明MFDFA特征在癫痫发作检测中具有强大的区分能力。
• 该方法在八种不同的分类问题中表现出稳健性，涵盖二分类和多分类配置。
• 结果证实，EEG信号的多分形特性通过MFDFA捕捉到的信息，对自动化癫痫诊断具有高度信息价值。