基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法

计算机应用 ›› 2014, Vol. 34 ›› Issue (12): 3614-3617.

基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法

张新静¹,²,³,徐欣⁴,凌至培⁴,黄永志²,王守岩²,王心醉²

1. 中国科学院长春光学精密机械与物理研究所,长春130000；
2. 中国科学院苏州生物医学工程技术研究所,江苏苏州 215163
3. 中国科学院大学,北京100049
4. 中国人民解放军总医院,北京100853

收稿日期:2014-06-23 修回日期:2014-08-09 发布日期:2014-12-31 出版日期:2014-12-01
通讯作者: 张新静
作者简介:张新静(1989-）,女,河北衡水人,硕士,主要研究方向:癫痫脑电信号的状态识别；徐欣(1971-）,女,湖北十堰人,医师,硕士,主要研究方向:癫痫和运动障碍性疾病的神经电生理；凌至培(1962-),男,安徽合肥人,主任医师,硕士,主要研究方向:难治性癫痫的评估、外科治疗；黄永志(1991-）,男,安徽六安人,博士,主要研究方向:神经解码、脑网络、模式识别；王心醉(1979-）,男,吉林长春人,副研究员,博士,主要研究方向:生物医学信号处理；王守岩(1972-）,男,黑龙江克山人,研究员,博士,主要研究方向:生物医学信号处理、神经工程。
基金资助:
中国科学院“百人计划”项目

Seizure detection based on max-relevance and min-redundancy criteria and extreme learning machine

ZHANG Xinjing¹,²,³,XU Xin⁴,LING Zhipei⁴,HUANG Yongzhi²,WANG Shouyan²,WANG Xinzui²

1. Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun Jilin 130000,China;
2. Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences, Suzhou Jiangsu 215163, China;
3. University of Chinese Academy of Sciences, Beijing 100049, China;
4. The General Hospital of Chinese Peoples Liberation Army, Beijing 100853, China

Received:2014-06-23 Revised:2014-08-09 Online:2014-12-31 Published:2014-12-01
Contact: ZHANG Xinjing

摘要/Abstract

摘要：

癫痫发作检测可以实现脑电分类和病灶定位,对癫痫的临床治疗具有重要意义。针对大数据量、高特征值空间长程脑电的快速和准确分类问题,提出一种基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法。对脑电信号进行短时傅里叶变换,并选取能量时频分布为特征,利用基于最大相关和最小冗余准则的方法进行特征选择,并使用极限学习机、支持向量机和反向传播算法对癫痫不同状态进行分类和判别。实验结果表明,极限学习机的分类准确率和训练速度两方面性能优于支持向量机和反向传播算法,发作间期和发作期的分类准确率达到98%以上,训练时间仅为0.8s,所提方法能够实时准确地检测癫痫发作。

Abstract:

The seizure detection is important for the localization and classification of epileptic seizures. In order to solve the problem brought by large amount of data and high feature space in EEG (Electroencephalograph) for quickly and accurately detecting the seizures, a method based on max-Relevance and Min-Redundancy (mRMR) criteria and Extreme Learning Machine (ELM) was proposed. The time-frequency measures by Short-Time Fourier Transform (STFT) were extracted as features, and the large set of features were selected based on max-relevance and min-redundancy criteria. The states were classified using the extreme learning machine, Support Vector Machine (SVM) and Back Propagation (BP) algorithm. The result shows that the performance of ELM is better than SVM and BP algorithms in terms of computation time and classification accuracy. The classification accuracy rate of interictal durations and seizures can reach more than 98%, and the computation efficiency is only 0.8s. This approach can detect epileptic seizures accurately in real-time.

中图分类号:

TP183

张新静徐欣凌至培黄永志王守岩王心醉. 基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法[J]. 计算机应用, 2014, 34(12): 3614-3617.

ZHANG Xinjing XU Xin LING Zhipei HUANG Yongzhi WANG Shouyan WANG Xinzui. Seizure detection based on max-relevance and min-redundancy criteria and extreme learning machine[J]. Journal of Computer Applications, 2014, 34(12): 3614-3617.

参考文献

［1］LITT B, ESTELLER R, ECHAUS J, et al. Epileptic seizures may begin hours in advance of clinical onset: a report of five patients ［J］. Neuron, 2001, 30(1): 51-64.
［2］MORMANN F, ANDRZEJAK R G, ELGER C E, et al. Seizure prediction: the long and winding road ［J］. Brain, 2007, 130(2): 314-333.
［3］PENG H C, LONG F H, DING C. Feature selection based on mutual information: criteria of max-dependency, max-relevance, and min-redundancy ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(8): 1226-1238.
［4］CORTES C, VAPNIK V. Support-vector networks ［J］. Machine Learning, 1995, 20(3): 273-297.
［5］YUAN Q, ZHOU W, LI S, et al. Approach of EEG detection based on ELM and approximate entropy ［J］. Chinese Journal of Scientific Instrument, 2012, 33(3): 514-519.(袁琦, 周卫东, 李淑芳, 等.基于ELM和近似熵的脑电信号检测方法［J］. 仪器仪表学报, 2012, 33(3): 514-519.)
［6］HUANG G B, CHEN L, SIEW C K. Universal approximation using incremental constructive feedforward networks with random hidden nodes ［J］. IEEE Transactions on Neural Networks, 2006, 17(4): 879-892.
［7］HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: theory and applications［J］. Neurocomputing, 2006, 70(1/2/3): 489-501.
［8］QU H, GOTMAN J. A patient-specific algorithm for the detection of seizure onset in long-term EEG monitoring: possible use as a warning device ［J］. IEEE Transactions on Biomedical Engineering, 1997, 44(2): 115-122.
［9］TZALLAS A T, TSIPOURAS M G, FOTIADIS D I. Epileptic seizure detection in EEGs using time-frequency analysis ［J］. IEEE Transactions on Information Technology in Biomedicine, 2009, 13(5): 703-710.
［10］MORMANN F, KREUZ T, RIEKE C, et al. On the predictability of epileptic seizures ［J］. Clinical Neurophysiology, 2005, 116(3): 569-587.
［11］CHANG C C, LIN C J. LIBSVM: a library for support vector machines ［J］. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3):1-39.
［12］LI G, WANG W, ZHANG S. Application of SVM in EEG signal classification［J］. Journal of Computer Applications, 2006, 26(6): 1431-1433,1436.(李钢, 王蔚, 张胜. 支持向量机在脑电信号分类中的应用［J］. 计算机应用, 2006, 26(6): 1431-1433,1436.)
［13］JIA L, ZHANG X. Analysis and improvements of BP algorithm［J］. Computer Technology and Development, 2006, 16(10): 101-103,107. (贾丽会, 张修如. BP算法分析与改进［J］. 计算机技术与发展, 2006, 16(10):101-103,107.)
［14］WANG L, GUO H, YU X, et al. Responsive electrical stimulation suppresses epileptic seizures in rats［J］. PLoS One, 2012, 7(5):1-7.
［15］ESTELLER R, ECHAUS J, DALESSANDRO M, et al. Continuous energy variation during the seizure cycle: towards an on-line accumulated energy ［J］. Clinical Neurophysiology, 2005, 116(3): 517-526.
［16］LEHNERTZ K, LITT B. The first international collaborative workshop on seizure prediction: summary and data description［J］. Clinical Neurophysiology, 2005, 116(3): 493-505.

[1]	沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄. 轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3949-3957.
[2]	蒋权黄文清苟志勇. 基于等变图神经网络的拉格朗日粒子流模拟[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[3]	李岚皓严皓钧周号益孙庆赟李建欣. 基于神经网络的多尺度信息融合时间序列长期预测模型[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[4]	陈丹阳张长伦. 多尺度去相关的图卷积网络[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[5]	蒋沛宇王永光任亚亭李硕晨谭火彬. 基于测量不确定度表示指南的目标检测不确定度测量方案[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[6]	胡能兵, 蔡彪, 李旭, 曹旦华. 基于图池化对比学习的图分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3327-3334.
[7]	林滏, 石稼晟, 高泽, 楚遵康, 马琼敏, 余海燕, 饶卫雄. 基于3D几何特征深度表达学习的物理系统仿真[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3548-3555.
[8]	范艺扬, 张洋, 曾尚, 曾渝, 付茂栗. 基于分解和频域特征提取的多变量长时间序列预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3442-3448.
[9]	刘文博, 于连飞, 谢冬梅, 蔡闯, 曲志坚, 任崇广. 基于多尺度特征融合的时间序列长期预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3435-3441.
[10]	王芳胡静张睿范文婷. 内容引导下多角度特征融合医学图像分割网络[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[11]	王翔陈志祥毛国君. 融合局部和全局相关性的多变量时间序列预测方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[12]	蒋汶娟, 过弋, 付娇娇. 融合图注意力的复杂时序知识图谱推理问答模型[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3047-3057.
[13]	黄华, 杨子仪, 李小龙, 李闯. 基于概念漂移的预测性业务流程监控方法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3167-3176.
[14]	张睿, 潘俊铭, 白晓露, 胡静, 张荣国, 张鹏云. 面向深度分类模型超参数自优化的代理模型[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3021-3031.
[15]	陈满杨小军杨慧敏. 基于图卷积网络和终点诱导的行人轨迹预测[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.