84、基于融合特征与稀疏表示的癫痫发作检测新方法

基于融合特征与稀疏表示的癫痫发作检测新方法

癫痫是一种因大脑反复突然过度放电导致中枢神经系统功能障碍的疾病。脑电图（EEG）是诊断癫痫发作的有效工具，但传统的长期脑电图癫痫检测主要依靠视觉，既不方便又耗时。因此，开发高效准确的癫痫检测方法具有重要的临床意义。

1. 融合特征的癫痫发作检测方法

为了区分脑电图信号中的发作间期和发作期活动，提出了一种基于改进加权水平可见性图（ADW）的融合特征方法。具体步骤如下：
1. 将原始脑电图时间序列转换为复杂网络 ：使用加权水平可见性图算法，把脑电图数据转化为复杂网络结构，以便后续分析。
2. 提取ADW特征 ：从加权水平可见性图中提取ADW特征，将其作为区分发作间期和发作期脑电图的单一特征。
3. 进行分类 ：以该特征进行分类，分类准确率达到了99%，表明该特征具有出色的分类性能。

下表展示了该方法与其他现有方法的分类结果对比：
| 方法 | 数据长度 | 特征 | 准确率（%） |
| — | — | — | — |
| 邻近网络 [16] | 1024 | NEED | 96.5 |
| 邻近网络 [17] | 2048 | Pclu | 94.5 |
| 聚类技术 [18] | 4096 | CT特征 | 93.6 |
| 加权HVG [15] | 1024 | wdr | 93.0 |
| 提出的方法 | 1024 | AWE | 99.0 |

从表格数据可以看出，新提出的方法在分类准确率上明显优于其他