生物启发和基于学习的集群分析与机器学习技术的性能比较,用于对EEG信号进行分类

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 机器学习应用 机器学习应用

背景情况:

• 通过电脑电图 (EEG) 信号检测发作是具有挑战性的,因为复杂的,非静止的模式.
• 精确区分与有关的放电和正常的大脑活动对于有效的诊断和治疗至关重要.

研究的目的:

• 开发和分析用于增强发作检测的自动化系统.
• 为了评估各种聚类技术的性能,与EEG信号分析的不同分类器相结合.

主要方法:

• 使用六种聚类技术进行特征提取:K-means,Fuzzy C-means (FCM),Cuckoo search,Dragonfly,Firefly和修改后的火.
• 然后使用十种不同的分类器对聚类特征进行了分类,包括天真贝叶斯式 (NBC) 和线性支向量机器 (SVM).
• 通过比较EEG时间序列数据的分类准确性来评估性能.

主要成果:

• 与线性SVM相结合的Cuckoo搜索集群实现了发病检测的最高分类准确率99.48%.
• 当与NBC,线性SVM和决策树相结合时,K-means和FCM集群方法分别显示了高准确度,约为98.96%.
• 龙和火聚类方法的准确度较低,使用龙与K-最近邻居 (KNN) 时最低的准确率为75.5%.

结论:

• 拟议的自动化系统,特别是使用Cuckoo搜索集群与线性SVM,为发作检测提供了一个高度准确的方法.
• 选择集群技术和分类器显著影响基于EEG的发作检测系统的性能.
• 这种方法提供了一个强大的框架,可以提高自动发作检测系统的准确性和效率.