[论文解读] Epileptic seizure prediction using Pearson's product-moment correlation coefficient of a linear classifier from generalized Gaussian modeling

Antonio Quintero-Rincón, Carlos D’Giano+1 more|arXiv (Cornell University)|Jun 2, 2020

Fractal and DNA sequence analysis参考文献 22被引用 6

一句话总结

本研究提出了一种基于广义高斯分布参数的皮尔逊积矩相关系数的癫痫发作预测模型，结合线性分类器进行分析。通过分析多种脑电波节律的EEG信号，该方法在9名患者的36次癫痫发作中实现了100%的敏感度，特异度超过83%，且线性分类器在损失和误差指标上优于基于SVM的模型。

ABSTRACT

To predict an epileptic event means the ability to determine in advance the time of the seizure with the highest possible accuracy. A correct prediction benchmark for epilepsy events in clinical applications is a typical problem in biomedical signal processing that helps to an appropriate diagnosis and treatment of this disease. In this work, we use Pearson's product-moment correlation coefficient from generalized Gaussian distribution parameters coupled with a linear-based classifier to predict between seizure and non-seizure events in epileptic EEG signals. The performance in 36 epileptic events from 9 patients showing good performance with 100% of effectiveness for sensitivity and specificity greater than 83% for seizures events in all brain rhythms. Pearson's test suggests that all brain rhythms are highly correlated in non-seizure events but no during the seizure events. This suggests that our model can be scaled with the Pearson's product-moment correlation coefficient for the detection of epileptic seizures.

研究动机与目标

• 开发一种利用EEG生物标志物进行可靠癫痫发作预测的方法。
• 通过先进的信号处理实现癫痫发作的早期检测，以改善临床结局。
• 评估基于广义高斯建模和皮尔逊相关性增强的线性分类器的性能。
• 在多个EEG频段中，比较线性分类器与基于SVM的模型的预测准确性。
• 在不同脑电波节律和患者数据中验证模型的鲁棒性。

提出的方法

• 使用广义高斯分布对EEG信号特征进行建模，以估计形状和尺度参数。
• 应用线性分类器，基于分布参数区分癫痫发作与非癫痫发作状态。
• 计算分类器输出与癫痫发作/非癫痫发作标签之间的皮尔逊积矩相关系数，作为判别性度量。
• 采用留一法交叉验证，评估模型的泛化能力与性能稳定性。
• 使用标准指标评估模型性能：敏感度（TPR）、特异度（TNR）、假阳性率（FPR）和总体准确率（ACC）。
• 在相同的特征集和验证协议下，将线性分类器模型[Q]与两个基于SVM的模型[S]和[C]进行比较。

实验结果

研究问题

• RQ1 皮尔逊积矩相关系数能否有效区分EEG信号中的癫痫发作与非癫痫发作状态？
• RQ2 基于广义高斯分布参数的线性分类器是否在癫痫预测中优于基于SVM的模型？
• RQ3 所提出的模型在不同EEG频段（theta、alpha、beta、gamma）中的敏感度和特异度如何？
• RQ4 在线性分类器与基于SVM的模型的交叉验证过程中，损失和明显误差指标如何比较？
• RQ5 该模型在多位患者和多种脑电波节律中的表现是否一致？

主要发现

• 线性分类器模型[Q]在所有EEG频段中均实现了100%的敏感度（TPR），表明癫痫发作事件被完美检测。
• 所有频段的特异度（TNR）均超过83%，其中theta和gamma频段最高，达94%，表明对真阴性结果的分类能力很强。
• 线性模型[Q]的损失（0.083）和明显误差（0.083）在所有模型中最低，优于两个基于SVM的模型[S]和[C]。
• 皮尔逊相关性分析显示，在非癫痫发作期间，不同脑电波节律之间存在高度相关性，但在癫痫发作期间相关性降低，支持了模型的判别能力。
• 该模型在9名患者的36次事件（18次癫痫发作，18次非癫痫发作）中表现一致，准确率（ACC）在不同频段中为30%至35%不等。
• 模型[Q]在特异度、准确率和误差指标方面整体表现更优，表明其在临床EEG癫痫预测中具备可扩展性和鲁棒性。