结合元和集体学习来分类EEG用于发作检测.

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 使用脑电图 (EEG) 数据的自动发作检测面临着由于发作和非发作分类不平衡的挑战.
• 现有的方法与扣押和非扣押类别之间的持续不平衡作斗争,阻碍了准确的分析.

研究的目的:

• 开发一个先进的框架,整合元样本和集体分类,以改善基于EEG的发作检测中的不平衡分类.
• 通过使用EEG数据来解决发病检测中的不平衡分类的重大挑战.

主要方法:

• 用一个元样本器从EEG数据中自主采集下样本策略,利用交互式学习和软Actor-Critic算法.
• 包括时间域,非线性和基于的指标在内的EEG特征从五个频段 (δ, θ, α, β, γ) 中提取,并通过半JMI进行选择.
• 该框架通过适应性选择了训练EEG数据,并从不平衡的性EEG数据中学习了有效的级联集成分类器.

主要成果:

• 拟议的系统在头皮EEG数据集上实现了92.58%的灵敏度,92.51%的特异性和92.52%的准确性.
• 在内EEG数据集上,该系统的平均灵敏度为98.56%,特异性为98.82%,准确度为98.7%.
• 实验性比较证实了该系统对最先进的方法的优越性,以及它对标签腐败的稳定性.

结论:

• 集成的元抽样和集体分类器框架有效地解决了EEG发作检测中的不平衡分类问题.
• 开发的系统表现出高性能和稳定性,在发病检测方面表现优于现有的方法.
• 这种方法为准确可靠的自动发作检测系统提供了一个有希望的解决方案.