基于机器学习的癫痫脑电数据分类方法研究.pdfVIP

摘要

癫痫是世界上较为常见的脑部疾病，这种神经系统疾病在发作时能直接威胁到患者

的生命安全，因此临床上癫痫的快速诊断是帮助患者降低风险的有效途径。脑电图能够

反映大脑放电的重要信息，是评估癫痫等脑功能障碍的重要工具。视觉观测脑电图是一

种比较常用的癫痫分析方法，但是这种方法无疑非常依赖医生的经验，且十分的耗时，

存在着误诊、漏诊的可能。鉴于此，开发一套高效、准确度高、适合临床使用的癫痫发

作诊断系统成了一项亟待解决的任务。本文以机器学习为基础，提出了两种改进的K近

邻（KNearestNeighbor,KNN）算法来实现关于癫痫脑电信号的多种分类任务，并使用

德国波恩大学脑电数据库对所提出的方法进行交叉验证。本文的主要研究内容如下：

（1）针对癫痫多分类问题，提出了基于BrayCurtis距离（WBCKNN）的加权K

近邻分类器。该方法使用离散傅里叶变化将信号的时域特征转化为频域特征，并使用

BrayCurtis距离进行样本相似性度量，从而获得更多信号所蕴含的疾病信息，改善了

KNN算法对k值的敏感性问题。同时引入局部均值向量、广义均值距离等概念，通过

调节参数可以最大程度的放大相似性高的样本对分类所做的贡献。实验中将WBCKNN

方法与其他6种机器学习方法进行了有效性比较，结果显示，该方法对二分类问题和三

分类问题的最佳分类准确度达到99.67%和99%，且敏感性、特异性都优于传统方法。

（2）针对癫痫发作期的多种分类任务进行研究，提出了基于K近邻综合表示的多

距离决策分类器（CRMKNN）。该方法利用欧氏距离和哈桑纳距离相结合进行邻域选

择，然后通过最近邻的线性表示得到相似度距离，并计算最近邻在类别中的分布情况，

得到离散距离，这有效改善KNN方法易受异常值和参数影响的问题。同时，为了有效

验证CRMKNN方法与其他KNN算法的差异，比较了7种其他常用的KNN改进算法，

结果显示此方法对6种癫痫信号的二分类组合准确度均高于99.50%，对三分类问题的

最佳分类准确度为98.33%，且随着k值的增大，其分类错误率也逐渐减小并最终趋于

稳定。

关键词：癫痫发作；脑电信号；K近邻算法；波恩大学脑电数据集；距离度量

ResearchonclassificationmethodofepilepsyEEGdatabasedonMachine

Learning

Abstract

Epilepsyisarelativelycommonbraindiseaseintheworld.Thisneurologicaldiseasecan

directlythreatenthelifesafetyofpatientsduringseizures.Therefore,rapidclinicaldiagnosisof

epilepsyisaneffectivewaytohelppatientsreducetherisk.EEGcanreflectimportant

informationofbraindischargeandisanimportanttoolforevaluatingbraindysfunctionsuchas

epilepsy.VisualEEGisacommonlyusedepilepsyanalysismethod,butthismethodis

undoubtedlyverydependentontheexperienceofdoctors,anditisverytime-consuming,and

thereisthepossibilityofmisdiagnosisandmisseddiagnosis.Inviewofthis,itisanurgenttask

todevelopanefficie