一种通过多域特征融合和选择优化发病检测特征的新方法
Guanqing Kong1,2, Shuang Ma2,3, Wei Zhao1,2
1Health and Medical Big Data Laboratory, Linyi People's Hospital, Linyi, China.
Frontiers in computational neuroscience
|December 4, 2024
概括
一种使用多域特征融合和选择的新方法改善了从电脑电图 (EEG) 信号中检测发作. 这种方法提高了诊断准确度,实现了发作检测的高性能指标.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 使用电脑电图 (EEG) 信号检测发作面临特征选择准确性和数据冗余性的挑战.
- 为了解决这些局限性,提出了一种新的多域特征融合和选择方法,称为PMPSO.
研究的目的:
- 开发一种优化的方法,用于增强发作检测.
- 为了提高精度和减少基于EEG的诊断特征选择的冗余性.
主要方法:
- 从频率,时间频率和非线性域使用离散波形变换 (DWT) 和威尔奇方法提取特征.
- 改进的粒子集群优化 (PSO) 算法与皮尔森相关性分析相结合,用于特征选择.
- 使用支持矢量机器 (SVM),人工神经网络 (ANN) 和随机森林 (RF) 分类器来构建发作检测模型.
主要成果:
- 提出的方法实现了高性能,包括99.32%的准确性,99.64%的特异性和99.29%的灵敏性.
- 与其他方法相比,10倍的交叉验证显示出更高的检测准确性.
结论:
- 优化的特征选择和融合方法显著提高了发作检测的准确性.
- 这种方法为诊断发作提供了更可靠的工具.
