基于互补集成经验模式分解和极值梯度增强的脑电信号癫痫发作检测
摘要
1.简介
2.前期工作
2.1. 完全集成经验模态分解
2.2. 极端坡度提升
3.方法
3.1. 框架
3.2. 数据集
3.3. 脑电信号分解
3.4. 特征提取
3.4.1. 时域、频域和时频域功能
3.4.2. 基于熵的特征
3.5. 分类和性能评估
4.实验结果
4.1. 实验设置
4.2. 结果和分析
4.2.1. 建议方法的实验结果
4.2.2. 与现有癫痫检测方法的分类性能比较
4.3. 讨论
4.3.1. CEEMD的影响
4.3.2. 所选功能的重要性
5.结论
作者贡献
基金
利益冲突
工具书类
Mormann,F。; Andrzejak,R.G。; 埃尔格,C.E。; Lehnertz,K.《癫痫预测:漫长而曲折的道路》。 大脑 2007 , 130 , 314–333. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 恩古吉,A.K。; 卡鲁基,S.M。; Bottomley,C。; Kleinschmidt,I。; 桑德尔,J.W。; Newton,C.R.《癫痫发病率:系统综述和荟萃分析》。 神经病学 2011 , 77 , 1005–1012. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 阿联酋萨拉斯。; M.G.奇普拉斯。; Fotiadis,D.I.基于时频分析和人工神经网络的自动癫痫检测。 计算。 智力。 神经科学。 2007 , 2007 , 80510. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 哈桑,A.R。; Siuly,S。; Zhang,Y.使用可调Q因子小波变换和自举聚集在脑电信号中检测癫痫发作。 计算。 方法。 生物识别程序。 2016 , 137 , 247–259. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] WHO/ILAE/IBE。 中国农村初级卫生水平的癫痫管理。 在线可用: https://www.who.int/mental_health/publications/epilepsy_management_ural_china/en/ (2019年5月29日访问)。 卡比尔,E。; Siuly,S。; 曹,J。; Wang,H.从脑电图数据检测癫痫发作的计算机辅助分析方案。 国际期刊计算。 国际系统。 2018 , 11 , 663–671. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 苏普利亚,S。; Siuly,S。; Wang,H。; Zhang,Y.基于加权复杂网络特征的EEG睡眠阶段分析与分类。 IEEE传输。 Emerg.顶部。 计算。 智力。 2018 , 1–11. [ 谷歌学者 ] [ 交叉参考 ] Joader,M.A.M。; Siuly,S。; 卡比尔,E。; Wang,H。; Zhang,Y.一种新的独立于主题的BCI系统心理状态分类设计。 伊诺。 Res.生物识别。 工程师。 2019 , 40 , 297–305. [ 谷歌学者 ] [ 交叉参考 ] Akben,S.B.公司。; 苏巴西,A。; Tuncel,D.偏头痛和癫痫患者在闪光刺激下的脑电图信号分析。 医学系统杂志。 2011 , 35 , 437–443. [ 谷歌学者 ] [ 交叉参考 ] 特扎拉斯,A.T。; M.G.奇普拉斯。; Fotiadis,D.I.,使用时频分析在脑电图中检测癫痫发作。 IEEE传输。 技术信息。 生物识别。 2009 , 13 , 703–710. [ 谷歌学者 ] [ 交叉参考 ] 魏强。; Wang,Y。; 高,X。; Gao,S.基于EEG的脑-计算机接口中特征提取的振幅和相位耦合测量。 神经工程学杂志。 2007 , 4 , 120–129. [ 谷歌学者 ] [ 交叉参考 ] 萨曼沃伊,G.D。; Hojjat,A。; Nahid,D.主成分分析增强的余弦径向基函数神经网络用于稳健癫痫和癫痫检测。 IEEE传输。 生物识别。 工程师。 2008 , 55 , 512–518. [ 谷歌学者 ] 乔希,V。; 帕乔里,R.B。; Vijesh,A.使用分数线性预测对发作性和无发作性脑电信号进行分类。 生物识别。 信号处理。 控制 2014 , 9 , 1–5. [ 谷歌学者 ] [ 交叉参考 ] 莫里,A.M。; 金·D.W。; J.R.史密斯。; 加拉赫,B.B。; 弗拉尼金,H.F。; Meador,K。复杂部分性发作的计算机检测。 脑电图。 临床。 神经生理学。 1991 , 79 , 330–333. [ 谷歌学者 ] [ 交叉参考 ] 波兰,K。; Günes,S.使用基于决策树分类器和快速傅里叶变换的混合系统对癫痫样脑电图进行分类。 申请。 数学。 计算。 2007 , 187 , 1017–1026. [ 谷歌学者 ] [ 交叉参考 ] Chua,C.K。; Chandran,V。; 阿查里亚,R.U。; Lim,C.M.应用高阶谱识别癫痫脑电图。 医学系统杂志。 2011 , 35 , 1563–1571. [ 谷歌学者 ] [ 交叉参考 ] 伊拉西塔诺,C。; Mammone,N。; 侯赛因,A。; Morabito,F.C.一种新的基于多模式机器学习的方法,用于痴呆症脑电图记录的自动分类。 神经网络 2020 , 123 , 176–190. [ 谷歌学者 ] [ 交叉参考 ] Bou Assi,E。; Gagliano,L。; Rihana,S。; Nguyen,D.K。; Sawan,M.双谱特征和多层感知器分类器用于增强癫痫预测。 科学。 代表。 2018 , 8 , 15491. [ 谷歌学者 ] [ 交叉参考 ] Goldfine,A.M。; 维克多·J.D。; 康提,M.M。; 巴丁,J.C。; Schiff,N.D.使用EEG功率谱分析确定重度脑损伤患者的意识。 临床。 神经生理学。 2011 , 122 , 2157–2168. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 尤·贝利,E.D.通过实施特征向量方法/递归神经网络分析脑电图信号。 数字。 信号程序。 2009 , 19 , 134–143. [ 谷歌学者 ] [ 交叉参考 ] 巴塔查里亚,A。; 夏尔马,M。; 帕乔里,R.B。; Sircar,P。; 阿查里亚,U.R.使用经验小波变换自动检测局灶脑电信号的新方法。 神经计算。 申请。 2016 , 29 , 47–57. [ 谷歌学者 ] [ 交叉参考 ] 李·T。; Zhou,M.利用小波包熵和随机森林进行心电图分类。 熵 2016 , 18 , 285. [ 谷歌学者 ] [ 交叉参考 ] Zhang,Y。; 刘,B。; 纪,X。; Huang,D.基于自回归模型和小波包分解的脑电信号分类。 神经过程。 莱特。 2017 , 45 , 365–378. [ 谷歌学者 ] [ 交叉参考 ] 郭,L。; 里韦罗,D。; Pazos,A.使用基于近似熵和人工神经网络的多小波变换检测癫痫发作。 《神经科学杂志》。 方法 2010 , 193 , 156–163. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 卡尔布哈尼,H。; Shayesteh,M.G.Stockwell变换用于从EEG信号检测癫痫发作。 生物识别。 信号处理。 控制 2017 , 38 , 108–118. [ 谷歌学者 ] [ 交叉参考 ] 帕乔里,R.B。; Patidar,S.使用固有模式函数的二阶差分图对EEG信号中的癫痫发作进行分类。 计算。 方法。 生物识别程序。 2014 , 113 , 494–502. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Peker,M。; Sen,B。; Delen,D.使用复杂值分类器自动诊断癫痫的新方法。 IEEE J.生物医学。 健康信息。 2015 , 20 , 108–118. [ 谷歌学者 ] [ 交叉参考 ] 葛兰素史克。; 尤贝里,E.D。; 伊利诺伊州Güler。 采用Lyapunov指数的递归神经网络用于脑电信号分类。 专家系统。 申请。 2005 , 29 , 506–514. [ 谷歌学者 ] [ 交叉参考 ] 尼克纳扎尔,M。; 穆萨维,S.R。; Vosoughi有限公司。; Sayyah,M.基于癫痫发作检测复发定量分析的新框架。 IEEE J.生物医学。 健康信息。 2016 , 11 , 572–578. [ 谷歌学者 ] [ 交叉参考 ] 萨曼沃伊,G.D。; 霍贾特,A。; Nahid,D.用于癫痫和癫痫发作检测的混合带小波混沌神经网络方法。 IEEE传输。 生物识别。 工程师。 2007 , 54 , 1545–1551. [ 谷歌学者 ] 胡,H.W。; Chen,Y.L。; Tang,K。结构化连续标签分类的一种新的决策树方法。 IEEE传输。 赛博。 2013 , 43 , 1734–1746. [ 谷歌学者 ] [ 交叉参考 ] 穆萨林,M。; Zhang,Y。; 陈,Y。; Chawla,N.V.使用改进的基于相关性的特征选择和随机森林分类器自动检测癫痫发作。 神经计算 2017 , 241 , 204–214. [ 谷歌学者 ] [ 交叉参考 ] 科卡达利,O。; Langari,R.使用基于小波变换和模糊关系的混合人工神经网络对癫痫发作的EEG信号进行分类。 专家系统。 申请。 2017 , 88 , 419–434. [ 谷歌学者 ] [ 交叉参考 ] 贾斯瓦尔,A.K。; Banka,H.利用GModPCA和支持向量机在脑电信号中检测癫痫发作。 生物材料。 工程师。 2017 , 28 , 141–157. [ 谷歌学者 ] [ 交叉参考 ] Wang,Y。; 李,Z。; 冯·L。; 郑,C。; Zhang,W.使用多类稀疏极端学习机分类自动检测癫痫和癫痫发作。 计算。 数学。 方法医学。 2017 , 2017 , 6849360. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 肖兰,M。; Farivar,M。; Emami,A.硬件友好型癫痫检测,带有增强的浅决策树集合。 在2016年8月16日于美国佛罗里达州奥兰多举行的第38届IEEE医学和生物工程国际年会(EMBC 2016)上发表; 第1826-1829页。 [ 谷歌学者 ] 肖兰,M。; Haghi,文学学士。; Taghavi,M。; Farivar,M。; Emami-Neystanak,A.资源节约型生物医学应用的能效分类。 IEEE J.应急选择。 顶部。 电路系统。 2018 , 8 , 693–707. [ 谷歌学者 ] [ 交叉参考 ] 阿基里斯,F。; Tombari,F。; 白俄罗斯,V。; Loesch,A.M。; Noachtar,S。; Navab,N.用于实时癫痫发作检测的卷积神经网络。 计算。 方法生物计量。 生物识别。 工程成像视觉。 2016 , 6 , 264–269. [ 谷歌学者 ] [ 交叉参考 ] 齐乌利斯,肯塔基州。; 佩佐拉斯,V.C。; 泽瓦基斯,M。; Konitisiotis,S。; Koutsouris,D.D。; Fotiadis,D.I.使用脑电图信号预测癫痫发作的长-短期记忆深度学习网络。 计算。 生物医学。 2018 , 99 , 24–37. [ 谷歌学者 ] [ 交叉参考 ] Ren,W。; Han,M.使用混合特征提取和集成极端学习机对脑电信号进行分类。 神经过程。 莱特。 2019 , 50 , 1281–1301. [ 谷歌学者 ] [ 交叉参考 ] Craik,A。; 何毅。; Contreras-Vida,J.L.《脑电图(EEG)分类任务的深度学习:综述》。 神经工程学杂志。 2019 , 16 , 031001. [ 谷歌学者 ] [ 交叉参考 ] 邓,W。; 赵,H。; 邹,L。; Li,G.等人。; 杨,X。; Wu,D.解决复杂优化问题的新型协同优化算法。 软计算。 2017 , 21 , 4387–4398. [ 谷歌学者 ] [ 交叉参考 ] 张,S。; 赵,H。; 徐,J。; Deng,W.一种基于改进的自适应VMD能量熵和PNN的新型故障诊断方法。 事务处理。 可以。 Soc.机械。 工程师。 2019 . [ 谷歌学者 ] [ 交叉参考 ] 赵,H。; 刘,H。; 徐,J。; Deng,W.使用高阶微分数学形态学梯度谱熵和极值学习机进行性能预测。 IEEE传输。 仪器。 测量。 2019 . [ 谷歌学者 ] [ 交叉参考 ] 赵,H。; 郑洁。; 徐,J。; 基于主成分分析和广义学习系统的故障诊断方法。 IEEE接入 2019 , 7 , 99263–99272. [ 谷歌学者 ] [ 交叉参考 ] 李·T。; 周,Y。; 李,X。; 吴杰。; He,T.使用改进的CEEMDAN和基于岭回归的预测工具预测每日原油价格。 能源 2019 , 12 , 3603. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 李,H。; 朱,H。; Di,M.通过Wi-Fi流量的元数据分析推断人口统计信息。 IEEE传输。 暴徒。 计算。 2018 , 17 , 1033–1047. [ 谷歌学者 ] [ 交叉参考 ] Sun,B。; Lam,D。; Yang,D。; 格兰瑟姆,K。; Zhao,T.一种用于精确预测紧凑型质子机监控单元的机器学习方法。 医学物理学。 2018 , 45 , 2243–2251. [ 谷歌学者 ] [ 交叉参考 ] Aler,R。; 加尔万,I.M。; 鲁伊斯·阿里亚斯,J.A。; Gueymard,C.A.通过梯度增强,使用机器学习改进直接和漫反射太阳辐射成分的分离。 太阳能 2017 , 150 , 558–569. [ 谷歌学者 ] [ 交叉参考 ] Andrzejak,R.G。; Lehnertz,K。; Mormann,F。; Rieke,C。; 大卫·P。; Elger,C.E.脑电活动时间序列中非线性确定性和有限维结构的指示:对记录区域和脑状态的依赖性。 物理学。 版本E 2001 , 64 , 0619071–0619078. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Goldberger,A.L。; 阿马拉,L.A.N。; 玻璃,L。; Hausdorff,J.M。; 伊万诺夫,P.C。; 马克·R.G。; Mietus,J.E。; 穆迪,G.B。; Peng,C.K。; Stanley、H.E.PhysioBank、PhysioToolkit和PhysioNet:复杂生理信号新研究资源的组成部分。 循环 2000 , 101 ,E215–E220。 [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 黄,N.E。; 沈,Z。; Long,S.R。; 吴,M.C。; Shih,H.H。; 郑琦。; 北卡罗来纳州的Yen。; Tung,首席执行官。; Liu,H.H.非线性和非平稳时间序列分析的经验模式分解和希尔伯特谱。 程序。 R.Soc.A数学。 物理学。 工程科学。 1998 , 454 , 903–995. [ 谷歌学者 ] [ 交叉参考 ] 吴,Z。; Huang,N.E.集成经验模式分解:一种噪声辅助数据分析方法。 高级自适应。 数据分析。 2009 , 1 , 1–41. [ 谷歌学者 ] [ 交叉参考 ] 李·T。; 周,M。; 郭,C。; 罗,M。; 吴杰。; 潘,F。; 陶,Q。; He,T.使用基于PSO的自适应核函数的EEMD和RVM预测原油价格。 能源 2016 , 9 , 1014. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Torres,医学博士。; 科洛米纳斯(Colominas),文学硕士。; 施洛特豪尔,G。; Flandrin,P.带自适应噪声的完全集合经验模式分解。 2011年IEEE声学、语音和信号处理国际会议(ICASSP)会议记录,2011年5月22日至27日,捷克共和国布拉格; 第4144-4147页。 [ 谷歌学者 ] 吴杰。; 陈,Y。; 周,T。; Li,T.一种集成CEEMD、ARIMA和SBL的自适应混合学习范式,用于原油价格预测。 能源 2019 , 12 , 1239. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 辛格,G。; 考尔,M。; Singh,D.使用小波变换和基于棘波的特征检测癫痫发作。 《工程与计算科学最新进展国际会议论文集》,印度昌迪加尔,2015年12月21日至22日; 第1-4页。 [ 谷歌学者 ] Chen,T。; Guestrin,C.XGBoost:一个可扩展的树增强系统。 第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集,2016年8月13日至17日,美国加利福尼亚州旧金山; 第785-794页。 [ 谷歌学者 ] 弗里德曼,J.H.贪婪函数近似:梯度增强机。 Ann.统计。 2001 , 29 , 1189–1232. [ 谷歌学者 ] [ 交叉参考 ] 周,Y。; 李·T。; 史J。; 基于CEEMDAN和XGBOOST的原油价格预测方法。 复杂性 2019 , 2019 , 4392785. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 李·T。; 史J。; 李,X。; 吴杰。; Pan,F.基于像素级扩散和动态滤波的图像加密,以及使用3D拉丁立方的DNA级置换。 熵 2019 , 21 , 319. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 李,X。; 谢,Z。; 吴杰。; 基于动态滤波和位长方体运算的图像加密。 复杂性 2019 , 2019 , 7485621. [ 谷歌学者 ] [ 交叉参考 ] 吴杰。; 史J。; Li,T.一种基于超混沌系统、变核像素级滤波和DNA级扩散的新型图像加密方法。 熵 2020 , 22 , 5. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 基督,M。; 北布劳恩。; Neuffer,J。; Kempa-Liehr,A.W.《基于可伸缩假设测试的时间序列特征提取》(tsfresh-A Python包)。 神经计算 2018 , 307 , 72–77. [ 谷歌学者 ] [ 交叉参考 ] 北卡罗来纳州卡纳塔尔。; 最小,L.C。; 阿查里亚,U.R。; Sadasivan,P.K.Entropies在EEG中检测癫痫。 计算。 方法。 生物识别程序。 2005 , 80 , 187–194. [ 谷歌学者 ] [ 交叉参考 ] 克里斯托夫,B。; Bernd,P.置换熵:时间序列的一种自然复杂性测度。 物理学。 修订稿。 2002 , 88 , 174102. [ 谷歌学者 ] 沙尔马,R。; 帕乔里,R.B。; 阿查里亚,U.R.使用离散小波变换和熵测量识别局灶性脑电图信号的综合指数。 熵 2015 , 17 , 5218–5240. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 瓦卢辛,A.L.G。; 斯特鲁伊斯,M.M.R.F。; 海斯,B.E.K。; Mortier,E.P.异丙酚和瑞芬太尼期间患者反应性的光谱熵测量。 与双谱指数的比较。 Br.J.阿纳斯。 2004 , 93 , 645–654. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] [ 绿色版本 ] 辛格,G。; 辛格,B。; Kaur,M.Grasshopper优化算法——基于集成分类器优化和特征选择的癫痫脑电信号分类方法。 医学生物学。 工程计算。 2019 , 57 , 1323–1339. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Richman,J.S。; Randall Moorman,J.使用近似熵和样本熵的生理时间序列分析。 美国生理学杂志。 心脏循环。 生理学。 2000 , 278 ,H2039–H2049。 [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] [ 绿色版本 ] 荀,G。; 贾,X。; 张,A.通过情境学习模型用脑电图检测癫痫发作。 BMC医疗通知。 Decis公司 2016 , 16 , 70. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 袁,Y。; 荀,G。; 贾凯。; Zhang,A.一种用于EEG癫痫发作检测的多上下文学习方法。 BMC系统。 生物。 2018 , 12 , 47–57. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 库马尔,Y。; 杜瓦尔,M.L。; Anand,R.S.使用基于DWT的模糊近似熵和支持向量机检测癫痫发作。 神经计算 2014 , 133 , 271–279. [ 谷歌学者 ] [ 交叉参考 ] Sharmila,A。; Geethanjali,P.DWT基于朴素贝叶斯和k-NN分类器从脑电图信号检测癫痫发作。 IEEE接入 2016 , 4 , 7716–7727. [ 谷歌学者 ] [ 交叉参考 ] 哈桑,A.R。; Subasi,A.使用线性编程增强从EEG信号自动识别癫痫发作。 计算。 方法。 生物识别程序。 2016 , 136 , 65–77. [ 谷歌学者 ] [ 交叉参考 ] 斯瓦米,P。; 甘地,T.K。; 巴尼格拉希。; 特里帕蒂,M。; Anand,S.在脑电图中检测癫痫发作的新型稳健诊断模型。 专家系统。 申请。 2016 , 56 , 116–130. [ 谷歌学者 ] [ 交叉参考 ] 新南威尔士州陶菲克。; 优素福,S.M。; Kholief,M.,脑电图记录中癫痫发作的混合自动检测。 计算。 选举人。 工程师。 2016 , 53 , 177–190. [ 谷歌学者 ] [ 交叉参考 ] 夏尔马,M。; 帕乔里,R.B。; Rajendra Acharya,U。使用分析时频灵活小波变换和分形维数表征癫痫发作的新方法。 模式识别。 莱特。 2017 , 94 , 172–179. [ 谷歌学者 ] [ 交叉参考 ] 贾斯瓦尔,A.K。; Banka,H.基于局部模式变换的癫痫脑电信号分类特征提取技术。 生物识别。 信号处理。 控制 2017 , 34 , 81–92. [ 谷歌学者 ] [ 交叉参考 ] Tiwari,A。; 帕乔里,R.B。; 坎汉加德,V。; Panigrahi,B.使用基于键点的EEG信号局部二进制模式自动诊断癫痫。 IEEE J.生物医学。 健康信息。 2017 , 21 , 888–896. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 考尔,M。; Singh,G.使用固有模式函数的基于振幅和频率的参数对癫痫倾向性脑电信号进行分类。 医学生物学杂志。 工程师。 2017 , 37 , 540–553. [ 谷歌学者 ] [ 交叉参考 ] 李毅。; 崔伟。; 罗,M。; 李凯。; Wang,L.癫痫发作检测基于基于高斯混合模型和灰度共生矩阵特征的脑电信号时频图像。 国际神经系统杂志。 2018 , 28 , 1850003. [ 谷歌学者 ] [ 交叉参考 ] 辛格,N。; Dehuri,S.通过脑电图信号在癫痫发作检测中使用深度学习。 第三届纳米电子学、电路和通信系统(NCCS)会议记录,印度兰奇,2017年11月11日至12日; 第219-228页。 [ 谷歌学者 ] 张,T。; Chen,W。; Li,M.模糊分布熵及其在癫痫自动检测技术中的应用。 生物识别。 信号处理。 控制 2018 , 38 , 360–377. [ 谷歌学者 ] [ 交叉参考 ] 古普塔,V。; Pachori,R.B.使用基于FBSE的脑电图节律熵识别癫痫发作。 生物识别。 信号处理。 控制 2019 , 53 , 101569. [ 谷歌学者 ] [ 交叉参考 ] Mamli,S。; Kalbkhani,H.用于癫痫发作检测的傅里叶同步压缩变换的灰度共生矩阵。 生物网络。 生物识别。 工程师。 2019 , 39 , 87–99. [ 谷歌学者 ] [ 交叉参考 ] 拉古,S。; 北斯里拉姆。; 赫格德,A.S。; Kubben,P.L.使用矩阵行列式对癫痫发作进行分类的新方法。 专家系统。 申请。 2019 , 127 , 323–341. [ 谷歌学者 ] [ 交叉参考 ] 张,T。; Chen,W。; Li,M.广义Stockwell变换和基于SVD的随机森林脑电图癫痫发作检测。 生物网络。 生物识别。 工程师。 2018 , 38 , 519–534. [ 谷歌学者 ] [ 交叉参考 ] 拉菲丁,N。; Uzzaman Khan,Y。; Farooq,O.脑电特征提取和分类用于自动癫痫检测。 2011年12月17日至19日在印度阿里加尔举行的多媒体、信号处理和通信技术国际会议记录(MSPCT 2011); 第184-187页。 [ 谷歌学者 ] Y.U.Khan。; 拉菲丁,N。; Farooq,O。使用多小波尺度在头皮脑电图中自动检测癫痫发作。 2012年3月15日至17日,印度瓦纳加特索兰,IEEE国际信号处理会议记录; 第1-5页。 [ 谷歌学者 ] 贝纳姆,M。; Pourghassem,H.使用KNN-散射搜索优化算法进行癫痫检测的奇异洛伦兹测量方法。 2015年12月16日至17日,伊朗德黑兰,《信号处理和智能系统会议记录》; 第67-72页。 [ 谷歌学者 ] Zabihi,M。; Kiranyaz,S。; 巴赫拉米,R.A。; Katsaggelos,A。; Gabbouj,M。; Ince,T.通过Poincaré截面对患者特异性癫痫检测的高维相空间进行分析。 IEEE传输。 神经系统。 Rehabil.工程师。 2016 , 24 , 386–398. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 魏,Z。; 邹,J。; 张杰。; Xu,J.使用时域改进的卷积神经网络进行癫痫脑电自动检测。 生物识别。 信号处理。 控制 2019 , 53 , 101551. [ 谷歌学者 ] [ 交叉参考 ]