癫痫发作快速检测的EEG信号特征选择问题

摘要

癫痫是一种常发的中枢神经失调疾病.基于脑电(EEG)的癫痫发作自动、快速检测对在线预报癫痫具有重要意义.本文分别采用极限学习机(ELM)作为分类器,分析了EEG信号的波动指数、均值等4种特征对检测速度和分类精度的影响.首先计算常用的几种癫痫脑电的特征,波动指数、均值、标准差和样本熵,然后取任一特征或他们的组合,由极限学习机(ELM)进行分类.经使用Bonn大学EEG数据集(含健康志愿者与癫痫患者)检测验证,结果表明发作间期和发作期的标准差、波动指数差异比均值和样本熵明显,仅仅采用标准差分类性能很好,且计算耗时最少(0.68s),而采用多个特征值分类效果略有提升,但计算耗时非常大(148.45～150.52s).鉴于癫痫EEG数据中包含大量噪声,本文进一步分析了经验模态分解的过滤作用,即采用EMD分解,取IMF1,再计算相应的特征作分类,实验结果表明:EMD滤波对分类准确率,尤其原始数据分类率低的有较明显提升作用(6％～40％),其代价是耗时明显增加(49％～55％),不利于癫痫在线检测.总之,利用原始数据的标准差作为特征可实现痫发作快速检测、准确识别.