008CHB-MIT脑电图数据库对儿童癫痫发作自动检测的调查-2021

Automated Epileptic Seizure Detection in Pediatric Subjects of CHB-MIT EEG Database—A Survey

本文通过分析脑电图信号，重点介绍了儿童癫痫发作的计算机辅助诊断中涉及的各种患者依赖和患者独立的个性化医疗方法，从而总结了现有的知识体系，为生物医学工程师开辟了一个巨大的研究领域。本文从脑电图记录中提取时间、频率、时频和非线性四个域特征，并将其输入不同的分类器对发作和非发作脑电图信号进行分类。研究人员检查了分类准确性、敏感性和特异性等性能指标，并解决了使用CHB-MIT数据库进行自动癫痫检测的挑战。

文献综述：

在之前的工作中，作者提出了一种利用头皮脑电图和支持向量机(SVM)分类器对癫痫发作进行分类的机器学习方法，该方法获得了90%[14]的准确率。采用基于小波的特征提取技术提取平均绝对偏差(MAD)的统计特征。将提取的特征输入线性判别分析分类器(LDA)进行癫痫和非癫痫事件的区分，准确率达96.5%。采用连续小波变换(CWT)提取特征，采用支持向量机分类器进行癫痫分类，在[16]中获得52.2%的灵敏度。采用数据驱动的方法，并使用四阶FIR滤波器提供256个特征，这些特征被添加到支持向量机分类器中，以区分[17]中的正常和异常EEG记录。通过监督低功率传感器节点验证患者特异性癫痫发作检测方法，实现高效感知，提取频谱特征并将其反馈给支持向量机，在[18]中获得的灵敏度、潜伏期和虚警率分别为94.70%、5.83 s和0.199 / h。

离散小波变换(DWT)在[19]中被用来分解脑电信号。每个系数测量能量和归一化变异系数，并将其输入LDA分类器，识别癫痫发作周期，准确率为91.8%，灵敏度为83.6%，特异度为100%。利用分布式四次查找表设计了一种能量高效的滤波器结构，并使用线性支持向量机分类器对癫痫和非癫痫信号进行分类，准确率达到82.7%，潜伏期为2s[20]。

将条件互信息最大化(CMIM)作为一种特征选择方法，从提取的时间、频率、时频和非线性特征中选择特征。将提取的特征送入支持向量机分类器对脑电信号进行分类，获得了90.62%的灵敏度和99.05%的特异度[21]。实施了患者特定分类的二进制分类器，结果灵敏度为89%，特异度为93%[22]。

提取了基于小波的非线性特征，并将其用于极限学习机(ELM)的分类过程，其灵敏度为92.6%，误检率为0.078[23]。利用小波变换对信号进行分解，提取基于小波的特征，并将其输入到线性分类器中，获得了98.5%的灵敏度和1.76s的延迟[24]。

基于无监督特征学习的患者特异性癫痫检测器，即堆叠自编码器，用于从[25]的原始脑电图信号中学习特征。提取的特征输入到逻辑分类器中，用于脑电信号的识别。

采用复发量化分析(RQA)检测癫痫发作，应用小波和陷波滤波器计算信噪比(SNR)，灵敏度为97.4%，特异性为93.5%[26]。采用基于模糊熵的支持向量机方法对脑电信号进行分类，准确率为98.31%，特异性为98.36%，灵敏度为98.27%[27]。通过对脑电信号时域、频域和时频域的分析，提出了一种基于移动的癫痫自动检测方法。从分析的信号中计算若干特征，并采用序列正向特征选择方法选取信息特征，将信息特征输入k-means聚类，对[28]进行分类。

提出了二维空间映射的脑电信号特征提取方法，采用多种分类器，灵敏度为70.19%，特异性为97.74%[29]。

将多任务学习方法应用于长数据记录，通过训练支持向量机分类器来区分癫痫和非癫痫信号[30]，解决了患者和患者内部变异相关的挑战。采用RQA对脑电信号进行特征描述，将提取的特征输入纠错输出码(ECOC)分类器，其灵敏度为97.4%，特异性为93.5%，分别为[31]。利用头皮脑电图和磁共振成像方法引入了癫痫分类的监督机器学习方法，利用k -最近邻分类器(K-NN)[32]获得了93%的灵敏度和94%的特异性。提出了奇异洛伦兹测度法(SLMM)特征提取方法，利用小波变换对脑电信号记录进行分解，并将基于SLMM提取的特征传递给不同的分类器进行高效分类，检测精度达到90%[33]。

。。。。。。

本文所讨论的方法可以通过如图1所示的癫痫自动检测流程图进行总结，该流程图包括脑电图数据预处理、特征提取、特征选择和分类的典型阶段。这些阶段将在本文的以下部分中进行更详细的讨论

2. Dataset Used

本研究使用的数据库是CHB-MIT，收集自波士顿儿童医院。该数据库包括