一个统一的框架用于EEG发作检测使用宇宙集成的概括的固有值近接支向量机器

科学领域:

• 机器学习 机器学习
• 生物医学信号处理
• 神经学诊断 神经学诊断 神经学诊断

背景情况:

• 脑电图 (EEG) 信号分类面临诸如非静止性,低信号噪声比率和有限的标记数据等挑战.
• 现有的方法与EEG数据固有的复杂性作斗争,影响诊断准确性.

研究的目的:

• 开发新的Universum增强分类器,以改进EEG信号分类.
• 解决EEG分析的关键挑战,包括非静止性和有限的数据,使用Universum学习.

主要方法:

• 引入宇宙通用化自身价值近位支向量机 (U-GEPSVM) 和改进的U-GEPSVM (IU-GEPSVM).
• 使用通用自值分解来实现计算效率,并使用宇宙学习来实现通用化.
• 通过基于比率和基于加权差异的目标函数将Universum约束纳入,以提高稳定性和控制.

主要成果:

• 在波恩大学EEG数据集上,IU-GEPSVM达到85% (闭眼与发作) 和80% (开眼与发作) 的峰值准确率.
• IU-GEPSVM的平均准确率为81.29%和77.57%,超过了基线方法.
• 统计验证,包括弗里德曼和威尔科克森签名等级测试,证实了IU-GEPSVM的显著优势.

结论:

• 宇宙增强分类器,特别是IU-GEPSVM,提供了一种高效可靠的解决方案,用于使用EEG数据进行神经诊断.
• 集成的互联宇宙数据显著提高了分类性能.
• 拟议的模型有效地处理EEG信号的复杂性,为先进的诊断工具铺平了道路.