机构名称：
¥ 1.0
摘要 — 近年来，癫痫发作的脑电图 (EEG) 信号识别已发展成为确定癫痫的常规程序。由于由专业神经科医生对癫痫发作进行物理识别是一项劳动密集型、耗时的过程，而且还会产生一些错误。因此，需要高效、计算机化的癫痫发作检测。导致癫痫发作的脑功能紊乱会对患者的病情产生影响。如果在癫痫发作前就能预测到，那么药物可以非常成功地预防癫痫发作。脑电图 (EEG) 信号被用于使用机器学习算法和复杂的计算方法来预测癫痫发作。此外，影响预期时间和真正阳性预测率的两个重大挑战是从 EEG 信号中提取特征和从 EEG 信号中去除噪声。因此，我们提出了一个提供可靠预处理和特征提取技术的模型。为了自动识别癫痫发作，我们使用了多种基于集成学习的分类器从脑电图信号中提取基于频率的特征。我们的算法提供了更高的真实阳性率，并在癫痫发作之前就对其进行了足够的预见性诊断。在 24 名受试者的头皮脑电图 CHB-MIT 数据集上，该建议的框架检测到了发作前状态的开始，即拘留开始前几分钟的状态，导致真实阳性率 (91%) 高于传统方法，最佳估计时间为 33 分钟，平均预测时间为 23 分 36 秒。根据实验结果，本研究的最大准确率、灵敏度和特异性率分别为 91%、98% 和 84%。
使用机器学习方法预测全身性癫痫发作
主要关键词
相关文件推荐
