通过EEG信号通过基于t分布式随机邻方嵌入和K-Means的分类算法对发作进行有效的早期检测

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 是一种神经系统疾病,其特点是由于大脑异常活动而引起的反复发作.
• 对脑电图 (EEG) 数据进行视觉检查以诊断是耗时且主观的.
• 自动化计算机辅助诊断系统对于高效可靠的EEG分析至关重要.

研究的目的:

• 开发一种有效的自动化方法,通过EEG信号早期检测.
• 通过先进的特征提取和分类技术,提高诊断的准确性和效率.

主要方法:

• 使用离散波纹转换 (DWT) 进行特征提取.
• 通过主要组件分析 (PCA) 和t分布式随机邻方嵌入 (t-SNE) 来减少维度.
• 使用K-means集群结合PCA/t-SNE进行分类,其次是极端梯度提升,K-NN,决策树,随机森林和MLP分类器.

主要成果:

• 随机森林 (RF) 分类器与DWT和PCA实现了97.96%的准确性.
• 使用DWT和t-SNE的射频分类器达到98.09%的准确性.
• 多层感知器 (MLP) 分类器与PCA + K-平均值显示出卓越的性能,准确率为98.98%,精度为99.16%,回忆率为95.69%,F1得分为97.4%.

结论:

• 与现有方法相比,提出的自动化方法显著提高了早期发病检测的准确性.
• 结合DWT,PCA/t-SNE以及像MLP这样的高级分类器,为基于EEG的诊断提供了一个强大的解决方案.
• 这种自动化系统有可能帮助临床医生更快,更准确地诊断.