基于深度学习的癫痫检测模型研究.pdfVIP

摘要

癫痫以重复的癫痫发作为主要特征的慢性脑部疾患，发作突然且无先兆。若不能及

时发现与诊治，可能导致晕厥危及生命。传统的癫痫检测方法已经不适应大数据的时代。

机器学习、深度学习这些新兴技术的发展，将逐步应用于临床医疗领域。通过计算机辅

助检测，逐步替换传统的医学检测手段，辅助医学专家完成脑电图中有关癫痫的关键事

件的分析工作。目前多数研究者通过对算法的改进与模块的嵌入提高分类准确率。但这

些算法都忽视了特征工程中存在的问题，比如提取特征单一化、冗余化，以及难以获取

长距离依存关系等主要难题。本文针对这一问题对机器学习、深度学习癫痫检测模型存

在的特征优化方法进行研究，主要可分为三个方面：

（1）在机器学习特征工程层面实现癫痫发作检测，以优化癫痫检测过程中特征选择

准确性差和冗余度高的问题。特征选择是近期不可或缺的一项癫痫分类步骤，有一个高

效的特征选择方法，对后面的分类精度有很大的提升。为了解决上述问题提出一种多域

特征融合和选择的癫痫病检测特征优化方法（PMPSO）。首先利用离散小波变换(DWT)

和Welch等方法提取频域、时频域和非线性不同领域的重要特征，保证检测特征集合的

多样性。然后利用改进的粒子群算法并融合Pearson相关性分析实现特征选