基于机器学习的癫痫脑电数据分类方法研究

作     者：那俊滢 

作者单位：大连海事大学 

学位级别：硕士

导师姓名：王志平

授予年度：2022年

学科分类：12[管理学] 07[理学] 08[工学] 0711[理学-系统科学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0835[工学-软件工程] 100204[医学-神经病学] 0811[工学-控制科学与工程] 10[医学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：癫痫发作 脑电信号 K近邻算法 波恩大学脑电数据集 距离度量 

摘      要：癫痫是世界上较为常见的脑部疾病,这种神经系统疾病在发作时能直接威胁到患者的生命安全,因此临床上癫痫的快速诊断是帮助患者降低风险的有效途径。脑电图能够反映大脑放电的重要信息,是评估癫痫等脑功能障碍的重要工具。视觉观测脑电图是一种比较常用的癫痫分析方法,但是这种方法无疑非常依赖医生的经验,且十分的耗时,存在着误诊、漏诊的可能。鉴于此,开发一套高效、准确度高、适合临床使用的癫痫发作诊断系统成了一项亟待解决的任务。本文以机器学习为基础,提出了两种改进的K近邻(K Nearest Neighbor,KNN)算法来实现关于癫痫脑电信号的多种分类任务,并使用德国波恩大学脑电数据库对所提出的方法进行交叉验证。本文的主要研究内容如下:(1)针对癫痫多分类问题,提出了基于Bray Curtis距离(WBCKNN)的加权K近邻分类器。该方法使用离散傅里叶变化将信号的时域特征转化为频域特征,并使用Bray Curtis距离进行样本相似性度量,从而获得更多信号所蕴含的疾病信息,改善了KNN算法对k值的敏感性问题。同时引入局部均值向量、广义均值距离等概念,通过调节参数可以最大程度的放大相似性高的样本对分类所做的贡献。实验中将WBCKNN方法与其他6种机器学习方法进行了有效性比较,结果显示,该方法对二分类问题和三分类问题的最佳分类准确度达到99.67%和99%,且敏感性、特异性都优于传统方法。(2)针对癫痫发作期的多种分类任务进行研究,提出了基于K近邻综合表示的多距离决策分类器(CRMKNN)。该方法利用欧氏距离和哈桑纳距离相结合进行邻域选择,然后通过最近邻的线性表示得到相似度距离,并计算最近邻在类别中的分布情况,得到离散距离,这有效改善KNN方法易受异常值和参数影响的问题。同时,为了有效验证CRMKNN方法与其他KNN算法的差异,比较了7种其他常用的KNN改进算法,结果显示此方法对6种癫痫信号的二分类组合准确度均高于99.50%,对三分类问题的最佳分类准确度为98.33%,且随着k值的增大,其分类错误率也逐渐减小并最终趋于稳定。