杂志的下一篇文章
利用信息论和机器学习技术量化变量之间的总影响
下一篇特刊文章
多尺度熵作为脑电和fNIRS分析的新特征
期刊上的上一篇文章
将逻辑应用于物理：类量子特征程序
特刊上一篇文章
生物医学信号分析中熵算法的解释及其在癫痫脑电图分析中的应用
 
 
搜索用于文章:
标题/关键字
作者/附属机构/电子邮件
日记账
文章类型
 
 
高级搜索
 
章节
特别发行
体积
问题
编号
第页
 
期刊销售
熵
第22卷
第2版
10.3390/e2202014年
熵标识
提交到此日志 本期刊的评论 提出特殊问题
► 文章菜单

文章菜单

分享 分享 公告 帮助 format_quote格式 引用 问题_答案 在SciProfiles中讨论 竖起拇指（_U）
...
背书 短信
...
注释
第一页（_P）
设置
订购文章重印
字体类型：
宋体 佐治亚州 宋体，Verdana
字体大小：
澳大利亚 澳大利亚 澳大利亚
行距：
列宽：
背景：
第条

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

通过
姜武
1,2,
周腾飞
1和
李泰勇
1,2,*
1
西南财经大学经济信息工程学院，成都611130
2
西南财经大学金融智能与金融工程四川省重点实验室，成都611130
*
信件应寄给的作者。
熵 2020,22(2), 140;https://doi.org/10.3390/e22020140
收到的提交文件：2019年12月28日/修订日期：2020年1月15日/接受日期：2020年1月22日/发布日期：2020年1月24日
（本文属于特刊熵在EEG/MEG中的应用)
浏览地物
版本注释

摘要

:
癫痫是一种常见的神经系统疾病，以反复发作为特征。脑电图（EEG）记录神经活动，通常用于癫痫的诊断。为了实现癫痫发作的准确检测，提出了一种集成互补集合经验模式分解（CEEMD）和极值梯度增强（XGBoost）的癫痫发作自动检测方法，命名为CEEMD-XGBoost。首先，利用CEEMD分解方法将原始脑电信号分解为一组固有模式函数，该方法能够有效地减少模式混合和端部效应的影响(国际货币基金组织s） 和残留物。其次，从原始信号和分解后的分量中提取多域特征，并根据提取特征的重要性得分对其进行进一步选择。最后，将XGBoost应用于癫痫发作检测模型的开发。实验在两个基准癫痫脑电图数据集上进行，分别命名为波恩数据集和CHB-MIT（波士顿儿童医院和麻省理工学院）数据集，以评估我们提出的CEEMD-XGBoost的性能。广泛的实验结果表明，与以往的一些脑电分类模型相比，CEEMD-XGBoost在敏感性、特异性和准确性方面可以显著提高癫痫发作的检测性能。

1.简介

癫痫是一种常见的脑部疾病。据报道，全球0.6%-0.8%的人口患有这种疾病[1]. 癫痫通常以神经系统的短暂紊乱和不可预测的发生为特征[2]. 癫痫发作通常分为两大类：部分性发作和全身性发作[三]. 这两种癫痫发作的主要区别在于大脑的发生区域。这两种癫痫发作都可能发生在所有种族、年龄和种族背景中，但在年轻人和老年人中更常见[4]. 癫痫发作不仅损害身体的感觉、运动和功能方面，还影响患者的意识、记忆和认知[5]. 因此，开发有效的癫痫发作检测方法具有重要的现实意义[6].
脑电图（EEG）是一种典型的利用传感器记录大脑电活动的方法，可用于癫痫诊断、睡眠状态分析、脑-计算机接口（BCI）等[7,8]. 由于脑电图无痛且方便，因此它是癫痫诊断中最常用的检测方法[9]. 癫痫发作的检测通常需要手动扫描脑电图信号，这很容易出错且耗时[10]. 因此，迫切需要开发有效可靠的脑电信号癫痫检测技术。
在之前的研究中，开发了多种利用脑电图信号检测癫痫发作的技术。使用各种提出的方法进行癫痫检测涉及的两个基本步骤是特征提取和分类。从脑电信号中提取重要特征对提高分类性能至关重要。可以从不同的域中提取相关特征，包括时域、频域和/或时频域。有几种提取时域特征用于癫痫发作检测的方法，包括振幅和相位耦合测量[11]，基于主成分分析（PCA）的径向基函数神经网络[12]，分数线性预测[13]，相对振幅和节律[14]例如，Wei等人基于三种不同的耦合方法，使用振幅和相位耦合措施提取时域特征[11]. Samanwoy等人提出了一种基于PCA的神经网络来检测癫痫发作[12]. Joshi等人使用分数线性预测来区分非癫痫和癫痫脑电图信号[13]. Murro等人利用振幅和节律特征进行判别分析，以自动检测癫痫脑电图[14].
在频域分析中，主要方法包括快速傅里叶变换[15]，高阶谱[16]，双谱[17,18]，功率谱分析[19]，特征向量[20]Polat和Günes使用快速傅里叶变换从原始脑电图信号中提取相关特征，并构建了一个用于检测癫痫发作的混合系统[15]. Chua等人对功率谱和高阶谱的特征提取进行了比较研究，实验结果表明，所选择的高阶谱特征优于功率谱[16]. Ieracitano等人提取了连续小波变换（CWT）和双谱特征，并建立了许多分类器来执行双向和三向分类[17]. Bou Assi等人从双谱中提取了定量特征，实验结果表明，利用双谱提取的特征，发作间期和发作前状态之间存在统计显著差异[18]. Goldfine等人通过单变量比较和多变量比较评估了4至24 Hz的EEG频谱，实验结果表明EEG频谱分析可以用于证明严重脑损伤患者的意识[19]. 尤贝里用特征向量方法提取特征，实验结果表明，特征向量方法获得的特征能够充分代表脑电信号[20].
在时频域中，主要方法包括小波变换[21]，小波包分解[22,23]，多小波变换[24]、斯托克韦尔变换[25]，经验模式分解（EMD）[26]Bhattacharyya等人利用经验小波变换将原始脑电信号分解为节律并提取相关特征[21]. Zhang等人使用小波包分解将EEG信号转换为子信号，然后将小波包系数输入到自回归模型中，计算自回归系数，将其用作提取的特征[23]. Peker等人在不同粒度级别使用双树复小波变换提取相关EEG特征，以获得尺寸缩减[27]. Guo等人使用多小波变换和提取特征来识别脑电图信号中的癫痫发作[24]. Kalbkhani和Shayesteh使用Stockwell变换将原始脑电信号变换到时频域，并提取五个子带中的Stockwel变换幅度来构造特征向量[25]. Pachori和Patidar利用EMD对原始脑电图信号进行分解，并将分解后的成分的二阶差分图作为癫痫发作检测的特征[26].
除时频域分析外，还将基于非线性特征的几种方法应用于脑电信号的分解。Güler等人评估了脑电图信号中Lyapunov指数的诊断性能[28]. Niknazar等人将复发定量分析应用于原始脑电图信号和癫痫发作检测子带[29]. Samanwoy等人将相关维数与标准差和最大Lyapunov指数结合起来用于癫痫发作检测[30]. 此外，还提取了一些基于熵的特征用于癫痫发作检测，如置换熵、样本熵、近似熵、相位熵、小波熵等。这些研究表明，熵可以作为有效的特征来开发分类器来检测癫痫发作。
在分类方面，检测结果在很大程度上取决于所选分类器的性能。在以前的研究中，最常用的分类器包括决策树[31]，随机森林[32]，人工神经网络[33]，支持向量机[34]、极端学习机器[35]，梯度增强决策树的集合[36,37]，卷积神经网络[38]、长短记忆网络[39]在这些分类器中，人工神经网络由于其良好的适应性、泛化能力和易于实现而被频繁使用[40]. 近年来，基于深度学习的方法也被应用于脑电信号分类[38,41].
从上述文献综述中，我们可以发现，这些先前的研究通常使用小波分解变换、EMD等对原始脑电图信号进行分解，并使用传统分类器进行癫痫发作检测。在这些流行的分解方法中，互补集成经验模式分解（CEEMD）在能量预测、故障诊断等方面取得了成功，表现出了令人满意的性能[42,43,44,45,46]. 另一方面，作为一种新的分类算法，极限梯度增强（XGBoost）也被应用于各个领域，显示出良好的分类和预测性能[47,48,49]. 由于每种方法都有自己的优势，CEEMD和XGBoost的强大组合可能会潜在地提高分类性能。因此，为了克服现有的不足并提高分类性能，本研究开发了一种使用CEEMD和XGBoost的癫痫发作检测方法，命名为CEEMD-XGBooest，用于癫痫发作检测。首先，通过CEEMD将原始脑电信号转换为若干子成分，可以减少终端效应和模式混合的影响。然后，从原始信号和分解后的分量中提取一组基于时间、频率、时频和熵的特征，并根据它们的重要性得分进一步选择它们。最后，将这些提取的重要特征输入XGBoost，构建癫痫发作检测模型。经验性地，用非常流行的波恩数据集测试了所建议的方法[50]由波恩大学和最近出版的CHB-MIT数据集提供[51]由波士顿儿童医院和麻省理工学院提供。与传统的癫痫发作检测模型相比，广泛的实验结果表明，我们提出的CEEMD-XGBoost能够获得良好的检测精度。本研究的主要创新点包括三个方面。首先，将CEEMD与XGBoost相结合，建立了一种新的癫痫发作检测模型。提出的CEEMD-XGBoost将原始脑电信号分解为多个分量，然后从原始信号和分解的分量中提取各种特征，最后构建XGBoost模型来检测癫痫发作。据我们所知，CEEMD和XGBoost的联合应用以前没有应用于癫痫发作检测。其次，在波恩EEG数据集和CHB-MIT数据集上进行了实验，广泛的实验结果表明，我们提出的分类模型CEEMD-XGBoost在检测癫痫发作方面优于大多数以前的模型。最后，我们进一步评估了所提出的CEEMD-XGBoost的一些特性，包括CEEMD的影响和特征重要性。
本文的主要贡献如下：（1）利用CEEMD对原始脑电信号进行分解，以获得更好的特征提取；（2） 从原始信号和分解分量中提取了多种特征，包括时间、频率、时频和基于熵的特征；（3） 首次利用XGBoost构建癫痫发作检测模型；（4） 大量实验表明，所提出的CEEMD-XGBoost在癫痫发作检测方面非常有前景；（5） 进一步分析了CEEMD的影响和所选特征的重要性。
本文的其余部分组织如下：第2节简要介绍了CEEMD和XGBoost。第3节详细描述了拟议的CEEMD-XGBoost模型。第4节报告并分析了实验结果，并对所提出的模型进行了讨论。第5节本研究得出结论。

2.前期工作

2.1. 完全集成经验模态分解

经验模式分解（EMD）是一种典型的时频分析方法[52]被提出用于时间序列或信号分析领域，如工程、医学、金融数据分析等。EMD将原始时间序列分解为固有模式函数(国际货币基金组织s） 还有一个残渣。国际货币基金组织是一个满足两个条件的函数：（1）零交叉数和局部极值必须等于或最多相差一；（2） 由局部极小值和局部极大值定义的包络的平均值在任何点都为零。具体分解过程如下：EMD首先检索由原始序列的局部极值计算得到的上下包络。然后，利用三次样条函数连接局部极值点，构造上下包络线。这些包络线的平均值作为第一个残差进行计算。最后，原始序列和第一个残差之间的差异被定义为第一个国际货币基金组织EMD的图示如所示图1.
EMD继续将第一个残渣分解为另一个残渣国际货币基金组织和一个新的残留物。重复上述过程，直到新残差的方差足够小以满足柯西准则。最后，EMD将原始序列分解为几个模态函数还有一个残渣。
然而，在国际货币基金组织成分可能出现在EMD模式混合中，混合定义为单个国际货币基金组织包含完全不同尺度的信号或作为驻留在不同尺度上的类似尺度的信号国际货币基金组织组件[53]. 因此，设计了一种加噪集成EMD（EEMD）来解决模式混合问题[46,53,54]. 虽然EEMD可以有效地处理模式混合的影响，但也可能会导致另一个问题，如残余噪声。完全集合经验模式分解（CEEMD）[55,56]它是在以前的EMD和EEMD的基础上发展而来的，在不同的阶段添加不同的噪声，然后每个模式由一个唯一的残差生成。CEEMD将原始序列分解为N个利用正负白噪声对产生互补噪声的不同噪声实现模态函数CEEMD既解决了模式混合问题，又精确地重建了原始序列。与小波分解相比，CEEMD没有分辨率或谐波复杂度问题[57].
通过使用CEEMD，原始脑电图信号可以被视为几个信号的总和模态函数和一个残渣R（右）。通常情况下国际货币基金组织s和残差比原始的复杂脑电信号相对简单。然后，我们可以从分解的组件中提取一组多域特征。因此，我们预计分解成分的更详细特征能够有助于提高癫痫发作检测的性能。

2.2. 极端坡度提升

XGBoost作为一种梯度增压机（GBM）[58,59,60]通常用于监督学习问题。XGBoost沿用了之前的梯度提升思想，通过整合一组预测性能略好于随机猜测的“弱”子学习者的预测，构建了一个“强”学习者。在XGBoost模型中，“弱”子学习者通常是回归树。这些“弱”子学习者的组合使用梯度学习策略。基本上，训练第一个“弱”子学习者，然后构造第二个子学习者以适应第一个子学习者的残差。重复训练模型以拟合前一个模型的残差的所有步骤，直到满足停止标准。因此，XGBoost模型是这些“弱”子学习者个人预测的加权集合。让我是一个向量为的分子x个我; 然后，XGBoost模型可以被视为K（K）加法函数。
年 ^ 我 = ∅ ( x个 我 ) = ∑ k = 1 K（K） （f） k ( x个 我 ) ,   （f） k ∈ ℱ ,  
哪里 ℱ 是一组回归树。功能 （f） k 使k基于特定输出的预测。整个训练过程是构建回归树，包括树的结构和叶子得分。为了避免陷入过拟合，XGBoost应该通过减少计算来简化模型的复杂性。因此，XGBoost模型是建立在损失+惩罚目标函数上的。
O（运行） b条 j个 ( t吨 ) = ∑ 我 = 1 n个 我 ( 年 我 , 年 ^ 我 ) + ∑ 我 = 1 k Ω ( （f） 我 ) ,
哪里我是一个损失函数，用于测量目标之间的差异 年 我 和预测 年 ^ 我 . Ω 用于惩罚模型的复杂性，并基于每个叶的得分和叶数进行计算。XGBoost模型校准过程的要点最终描述如下：
O（运行） b条 j个 ( t吨 ) = − 1 2 ∑ j个 = 1 T型 G公司 j个 2 H（H） j个 + λ + τ ,
哪里H（H）和G公司由损失函数的泰勒级数展开确定，T型表示叶数，λ为L（左）2正则化参数。
由于XGBoost具有良好的预测和分类精度[47,48,49]本研究采用该模型构建癫痫发作检测模型。

3.方法

3.1. 框架

基于多域特征，本研究提出了一种将CEEMD与XGBoost相结合的癫痫发作分类技术，称为CEEMD-XGBooster，用于自动检测癫痫发作。建议的模型包括三个阶段，如所示图2.
第一阶段：分解。鉴于原始脑电信号的高度复杂特性，使用原始信号很难获得令人满意的检测性能。为了更好地从原始脑电图信号中提取特征，一种常见的方法是将原始脑电图转换为子信号。因此，CEEMD被用来分割每个原始脑电图信号 x个 ( n个 ) 到（1）M国际货币基金组织组件国际货币基金组织j个(j个= 1, 2, …,M（M）)和（2）一种残渣成分R（右）.
第二阶段：特征提取和选择。由于提取的特征被输入到后续的分类模型中，因此特征提取是一个非常重要的步骤。为了全面表征脑电信号的特征，提取了时域、频域、时频域和基于熵的多域特征。此外，大量的特征可能会降低分类性能；因此，根据相关特征的重要性得分进一步选择相关特征。
第三阶段：分级机施工。将上述特征输入到XGBoost分类算法中，以开发癫痫发作检测模型。
提出的CEEMD-XGBoost采用了“分而治之”的策略，这在能源预测、故障诊断、图像处理等领域非常流行[42,43,44,45,46,61,62,63]. 它首先应用CEEMD将每个原始信号分解为一组组件（几个国际货币基金组织s和一个残渣）。通常，高频特性保留在第一个国际货币基金组织s、 而剩下的国际货币基金组织s和残差表示原始脑电信号的低频特性。其次，提取一组多域特征，然后根据其重要性得分选择相关特征。在以前的研究中，特征是从原始脑电信号或分解信号中提取的。由于原始脑电信号和分解信号都可能包含用于后续分类器构建的潜在有用特征，因此我们期望从原始脑电信号和分解信号中提取特征有助于提高癫痫发作检测模型的性能。因此，我们从原始脑电图信号中提取了各种特征，包括时域、频域、时频和基于熵的特征，并进行了分解国际货币基金组织s和残渣。使用XGBoost进行特征选择。最后，将相关特征输入到XGBoost模型中，构建癫痫发作检测模型。
值得注意的是，最近的一些研究整合了分解和分类模型，以使用EEG信号检测癫痫发作。然而，这些先前的研究与本研究在分解、特征提取和/或分类方法方面的不同之处在于：（1）他们使用小波分解变换、EMD等对原始脑电信号进行分解，（2）他们从原始脑电信号或分解信号中提取特征，以及（3）他们使用传统分类器检测癫痫发作。以往的研究表明，CEEMD优于EMD，XGBoost的分类性能优于传统分类器。相比之下，本研究使用CEEMD将原始脑电图信号划分为多个子序列，并基于从原始脑电图和分解的子序列中提取的相关特征，进一步开发了一个使用XGBoost的癫痫发作检测模型。

3.2. 数据集

为了评估我们提出的CEEMD-XGBoost的性能，本研究使用了两个基准EEG数据集，包括波恩数据集和CHB-MIT数据集。波恩脑电图片段来自波恩大学的癫痫数据集[50]. EEG数据集包含五个子集（A、B、C、D和E），每个子集由100个单通道段组成。这些片段是从连续多通道EEG记录中选择和切割出来的。A组和B组的脑电图片段来自五名健康志愿者，他们醒着，眼睛睁开和闭上。集合C、D和E源自术前诊断的EEG档案。C组和D组来自5名患者，仅包含在无癫痫发作间隔期间测量的活动。集合E仅包含在癫痫发作活动期间从致痫区采集的EEG片段。波恩EEG数据的采样率为173.61Hz，一个EEG段持续23.6s，因此每个信号段包含173.61×23.6=4097个采样点。有关波恩脑电图数据集的更多详细信息，请参阅参考[50]. 本研究使用了上述五种脑电图亚群。表1列出了波恩EEG数据集的摘要。
第二个数据集CHB-MIT数据集是从波士顿儿童医院收集的，可在PhysioNet上获得[51]. CHB-MIT数据集记录了23例癫痫发作和非癫痫活动期间的多通道脑电图信号。这23名患者包括18名女性和5名男性，年龄从2岁到22岁。大多数EEG文件中有23个通道，少数情况下有24个通道，采样率为256Hz。专家对EEG信号中每次发作的片段进行了注释。图3显示了CHB-MIT数据集中患者01的一段多通道EEG信号。如所示图3，癫痫发作开始于第四秒，然后脑电图信号在红条后急剧波动。

3.3. 脑电信号分解

由于原始信号的复杂性，在信号处理领域，通常使用分解方法来分解原始信号，以获得更好的预测和分类性能[22]. 由于EEG信号的非线性和非平稳性，这一思想也可以用于癫痫发作的检测。我们使用CEEMD将每个原始脑电图信号分解为几个国际货币基金组织s和一个残差根据振幅和频率在本研究中。然后，考虑这些原始脑电信号和分解后的成分，进行后续的特征提取。例如，波恩数据集中的集合A和CHB-MIT数据集中的患者01使用CEEMD分解的两个原始EEG片段和相应的成分如图所示图4和图5分别是。
从这两幅图可以看出，分解后的子序列比原始脑电信号更简单，这可能有助于特征提取和后续分类。

3.4. 特征提取

特征提取对于非平稳非线性脑电信号的表示具有重要意义。为了潜在地提高检测性能，我们从原始脑电信号中提取多域特征国际货币基金组织s、 和残差，可以更全面地表示脑电信号的特征。上述研究使用时频域或熵域特征进行癫痫发作检测。在这项工作中，我们使用了三个名为Tsfresh的Python包[64]、熵(https://github.com/raphaelvallat/intropy网站)和pyEntropy(https://github.com/nikdon/pyEntropy网站)从原始脑电信号和分解后的脑电信号中提取四类特征：（1）时域特征；（2） 频域特征；（3） 时频域特征；（4） 基于熵的特征。具体而言，Tsfresh使用63种时间序列特征化方法进行了特征提取过程，共计算出794个描述性时间序列特征，包括上述四类特征。此外，我们使用entropy和pyEntropy Python包提取了四个基于熵的特性。因此，我们为一个时间序列总共提取了798个特征。由于波恩原始脑电图信号被分解为12国际货币基金组织s和一个残基，并将原始CHB-MIT EEG信号转换为14国际货币基金组织s和一个残差，我们为波恩数据集提取了798×14=11172个特征，为CHB-MIT数据集提取798×16=12768个特征。

3.4.1. 时域、频域和时频域功能

先前的研究表明，从不同的域（包括时域、频域和/或时频域）提取特征对于开发癫痫发作检测模型是有效的[11,12,13,14,15,16,17,18,19,20,21,23,24,25,26]. 尽管提出了这三种特征，但没有一种特征能够全面表征脑电图信号。因此，将所有这些特征结合起来有可能提高分类性能。在本研究中，使用Tsfresh Python包提取时域、频域和时频域特征，这些包在表2794描述性时间序列功能的完整列表可在参考资料中找到[64].

3.4.2. 基于熵的特征

熵通常用于测量系统中的无序程度[65]. 它可以用来测量信号的随机性和分析复杂的脑电图信号。我们总共提取了六个基于熵的特征，包括置换熵、香农熵、谱熵、近似熵、样本熵和奇异值分解熵。
•排列熵
置换熵（PE），由Christoph和Bernd引入[66]，用于通过比较相邻值来度量时间序列的复杂性。其计算如下[67]:
体育课 = − ∑ k = 1 n个 秒 k 日志 秒 k ,
秒 k = t吨 k N个 − 米 + 1 ,
哪里N个表示分解信号的长度， t吨 k 是以下情况的发生k-第个符号， 秒 k 表示发生的概率k-时间序列中的第个置换，以及n个表示的置换顺序 n个 ≥ 2 在本研究中，我们选择了嵌入维度米3，延迟1。
•香农熵
香农熵（Shannon entropy，ShE）是序列状态的标准度量，它可以根据符号的频率估计符号编码所需的平均最小比特数[32]. 它可以表示为
ShE公司 = − ∑ 我 = 1 N个 第页 ( 我 ) 日志 2 第页 ( 我 ) ,
哪里我表示EEG序列数据的所有观测值，以及第页(我)表示整个EEG序列中出现该值的概率。
•光谱熵
由于个体间信号强度的差异，绝对值可能因个体而异，但香农熵并没有作为脑电图信号的总功率进行标准化[68]. 为了克服这一缺点，本研究采用光谱熵（SpE）。谱熵定义为数据功率谱密度（PSD）的香农熵。它可以表示为：
  SpE公司 = − ∑ （f） = 0 第页 （f） 日志 第页 （f） ,
哪里第页（f）是组件与频率的相对功率（f）.（f）在本研究中设置为100。
•近似熵
近似熵（ApE）用于量化波动的不可预测性和时间序列的规律性。较小的值意味着数据在规律性和预测方面表现良好[69]. 它可以表示为：
ApE公司 = φ 米 ( 对 ) − φ 米 + 1 ( 对 ) ,
φ 米 ( 对 ) = 1 N个 − ( 米 − 1 ) τ ∑ 我 = 1 N个 − ( 米 + 1 ) τ 我 o（o） 克 C类 我 米 ( 对 ) ,
C类 我 米 ( 对 ) = 1 N个 − ( 米 − 1 ) τ ∑ 我 = 1 N个 − ( 米 + 1 ) τ θ ( 对 − d日 ( x个 ( 我 ) ,   x个 ( j个 ) ) ) ,
d日 ( x个 ( 我 ) , x个 ( j个 ) ) = 最大值 k = 1 , 2 , … , 米 | 年 ( 我 + ( k − 1 ) τ ) − 年 ( j个 + ( k − 1 ) τ ) | ,
哪里米,对,τ、和N个分别表示嵌入维数、相似系数、时延和数据点数。关联维数由方程（10）计算得出。什么时候？x个小于0，则为θ(x个)等于0。 d日 ( x个 ( 我 ) ,   x个 ( j个 ) ) 通过方程式（11）测量距离。在这项工作中，我们选择米= 2,对=脑电图信号标准偏差的0.15倍，以及τ =1
•样本熵
样本熵（SaE）由近似熵导出，用于评估生理时间序列信号的复杂性[70]. 在无故障实现和数据长度独立性方面，它优于ApE。SaE可以表示为
SaE公司 = − 自然对数 A类 米 ( 对 ) B类 米 ( 对 ) ,
哪里 B类 米 ( 对 ) 表示匹配两个序列的概率米点，同时 A类 米 ( 对 ) 表示匹配两个序列的概率米+1分。米,对、和τ在本研究中，分别设置为EEG信号标准偏差的2倍、0.2倍和1倍。
•奇异值分解熵
奇异值分解熵（SvdE）是完全解释数据集所需的特征向量数量的指标。换句话说，它测量数据的维度。其计算如下：
SvdE公司 = − ∑ 我 = 1 M（M） σ 我 ¯ 我 o（o） 克 2 ( σ 我 ¯ ) ,
Y（Y） = [ 年 1 , 年 2 , … , 年 ( N个 − ( 对 − 1 ) τ ) ] T型 ,
年 我 = [ x个 我 ,   x个 我 + τ , … , x个 我 + ( 对 − 1 ) τ ] ,
哪里M（M）表示嵌入矩阵Y的奇异值数目，可通过方程式（14）获得。 σ 1 , σ 2 , …, σ M（M） 是Y的归一化奇异值。对表示置换熵的顺序，以及τ表示时间延迟，在本研究中分别设置为3和1。

3.5. 分类和性能评估

由于每个EEG信号都被分解为几个国际货币基金组织我们从原始脑电信号和分解后的脑电信号中提取了大量的特征。由于特征数量众多，在这样一个高维特征空间中进行分类可能会影响分类性能。此外，特征空间可能包含一些不相关的特征，这降低了分类性能并增加了计算成本。特征选择在分类器训练中起着非常关键的作用，它从所有提取的特征中选择最佳的特征子集。在本研究中，由于冗余特征在XGBoost中的重要性得分较低，因此将其删除，重要性得分的阈值设置为0.001。由于XGBoost具有比传统分类器更好的分类性能，因此被选为癫痫发作检测的分类器。因此，修剪后的特征被输入到随后的分类器XGBoost中。
为了准确评估分类性能并减少训练和测试数据的潜在偏差，k-本研究采用了折叠交叉验证。通常，检测性能是通过灵敏度（SEN）、特异性（SPE）和准确度（ACC）三个主要的统计测量来评估的。
S公司 E类 N个 = T型 P（P） T型 P（P） + F类 N个 × 100 % ,
S公司 P（P） E类 = T型 N个 T型 N个 + F类 P（P） × 100 % ,
A类 C类 C类 = T型 P（P） + T型 N个 T型 P（P） + T型 N个 + F类 P（P） + F类 N个 × 100 % ,
哪里TP（转移定价）是真正积极的，FP公司为假阳性，TN公司为真负值，并且第2页为假阴性。

4.实验结果

4.1. 实验设置

为了将我们提出的方法与之前的研究进行比较，本研究使用了两个基准EEG数据集，包括波恩数据集和CHB-MIT数据集。由于波恩EEG数据集由五个子集组成，波恩数据集的各种情况如下所示表3此外，为了进一步评估CEEMD-XGBoost在区分非癫痫和癫痫发作方面的性能，我们将该方法应用于一个名为CHB-MIT EEG数据集的较大数据集。由于原始CHB-MIT信号没有直接分割成非发作或发作状态的子序列，因此我们手动将其划分为一组具有固定长度的重叠片段。遵循先前的研究[71,72]，使用一个三秒钟的滑动窗口，我们从CHB-MIT数据集中随机选择的五名患者中分离出癫痫发作和非癫痫发作片段，最终我们获得了一个EEG片段数据集，包括2675个癫痫发作片段和2675个非癫痫发作段。由于每个EEG信号包含23个通道，采样率为256Hz，因此三秒钟的EEG片段包含17664个采样点。一般来说，CHB-MIT EEG片段数据集有5350个23通道EEG片段，包括2675个发作片段和2675个无发作片段，每个片段由17664个采样点组成。图6说明了CHB-MIT EEG信号分割的过程。本文中使用的波恩数据集和CHB-MIT数据集是可公开访问的EEG数据集。本文不包含任何作者对人类参与者进行的任何研究。
因此，我们随后对这些脑电图片段进行了癫痫发作检测，如表3.
为了更好地估计我们提出的方法的性能，k-折叠交叉验证(k=10）。整个数据集平均分为10个子集。每个子集用于对模型进行一次测试，并对模型进行九次训练。通过平均所有10个交叉验证案例中得出的性能来评估性能。
所有实验均使用Python 3在64位Microsoft Windows 10上进行，该Windows 10具有i7-8565U 1.8 GHz中央处理器（CPU）和8 GB随机访问内存（RAM）。

4.2. 结果和分析

4.2.1. 建议方法的实验结果

在本研究中，首先将每个脑电片段转换为多个国际货币基金组织s和一个使用CEEMD的残留物。具体来说，考虑到原始脑电图信号的长度，波恩数据集中的每个脑电图片段被分解为12个国际货币基金组织s和一个残基，CHB-MIT数据集中的每个EEG片段被划分为14个国际货币基金组织s和一个残渣。然后，从多个域中提取相关特征，并进一步选择最优特征子集。XGBoost分类器用于检测EEG信号中的癫痫发作。表4报告了波恩数据集和CHB-MIT数据集中13例病例的10倍交叉验证分类结果。
对于中的每种情况表4，相应的分类性能随着类别数量的增加而下降。对于波恩数据集，可以观察到两类分类案例在所有案例中表现出最佳性能
对于CHB-MIT数据集，我们提出的方法在分类精度方面比波恩数据集差。与单通道信号相比，多通道信号包含的信息更多，也更复杂。尽管多通道脑电图记录包含了更多癫痫发作的信息，但可能存在一些不相关和冗余的通道。因此，有可能导致检测性能下降。
至于10倍交叉验证的执行时间，它随着数据集大小的增加而增加。波恩数据集的执行时间为10.2秒至85.1秒，CHB-MIT数据集的运行时间为772.0秒，表明癫痫发作检测模型可以在相对较短的时间内建立。
总的来说，提出的CEEMD-XGBoost实现了良好的检测性能，在波恩数据集中的所有12个案例中，检测准确率均高于或等于99.00%，在CHB-MIT数据集中的检测准确率为95.79%。

4.2.2. 与现有癫痫检测方法的分类性能比较

为了更好地评估我们提出的方法的分类性能，将其与之前使用波恩EEG数据集和CHB-MIT EEG数据集中的一些方法进行了比较。建议方法的分类精度和各种分类案例的现有技术列于表5,表6,表7和表8实验结果表明，与以前的方法相比，该方法在大多数情况下都达到了最高的检测精度。
在案例{A，E}，{B，E}，{D，E}和{A，D}中观察到，本研究中提出的方法实现了100.00%的完美ACC。在{C，E}情况下，我们提出的方法获得了99.50%的ACC，这高于大多数展示的方法。对于非发作性病例，本研究中提出的方法在病例{AB，E}，{ACD，E}和{BCD，E{中达到最高ACC。在{CD，E}和{ABCD，E{的情况下，所提出的方法比大多数展示的方法获得了更高的ACC。例如，在案例{CD，E}中，所提出的方法在所有12种方法中获得了第四高的ACC，而在案例{ABCD，E{中，该方法在所有15种方法中得到了第四最高的ACC。对于非癫痫发作病例，该方法在病例{A，D，E}中获得了最高的ACC。在{AB，CD，E}的情况下，该方法在所有七种方法中达到了第三高的ACC。
表8结果表明，我们提出的方法在CHB-MIT数据集上达到了最高的分类精度。一方面，基于相同的分解方法（即CEEMD），与神经网络（NN）、支持向量机（SVM）和随机森林（RF）相比，XGBoost获得了最高的分类精度。另一方面，与之前的一些研究相比，我们提出的方法也获得了最高的分类精度。
总之，CEEMD-XGBoost优于大多数展示的方法。提出的CEEMD-XGBoost在波恩数据集上的八种分类情况（即情况{A、e}、{B、e}、{D、e}，{A、D}，{AB，e}，}ACD，e}，}BCD，e{和{A、D、e{）中获得了最高的分类准确度，而在其余四种分类情况下（即情况，{C、e},{CD、e},1 ABCD、e{e}）获得了相对较高的分类准确率，而它在CHB-MIT数据集上实现了最高的分类精度。因此，CEEMD-XGBoost是一种有前途的癫痫发作检测方法。

4.3. 讨论

为了更全面地研究我们提出的CEEMD-XGBoost，我们进一步讨论了所提出的癫痫发作检测模型的一些特征，包括CEEMD的影响和特征的重要性。

4.3.1. CEEMD的影响

在相同的特征提取、特征选择和分类方法（XGBoost）的基础上，我们评估了CEEMD对检测性能的影响。表9报告了在波恩数据集和CHB-MIT数据集上使用和不使用CEEMD的10倍交叉验证的相应分类结果。
表9证明了所提出的方法CEEMD-XGBoost在所有情况下都优于没有CEEMD的XGBooster，并且取得了更好的分类性能。结果表明，CEEMD对分类性能有显著的正向影响，表明从分解信号中提取特征可以提高检测性能。

4.3.2. 所选功能的重要性

为了深入了解癫痫发作检测中个体特征的重要性等级，我们选择XGBoost进行特征排序和剪枝，这在以前的文献中很少进行研究。使用XGBoost的一个优点是，在构建增强树之后，计算每个功能的重要性得分相对简单。通常，特征重要性提供一个分数，表示每个特征在增强的决策树中的重要性。特征越多地用于使用决策树进行关键决策，其相对重要性得分就越高。对于单个决策树，重要性是通过每个特征分割点改进性能度量的数量来计算的。特征重要性最终在XGBoost模型中的所有决策树中平均。由于计算了每个特征的重要性，因此可以对特征进行排序和相互比较。
为了全面评估这两个数据集上特征的重要性，我们使用XGBoost在波恩数据集上基于五种分类（a-B-C-D-E）和在CHB-MIT数据集上基于两种分类（非癫痫发作）进行了特征排序。根据特征的重要性得分，我们对输入特征进行排序，并列出20个最重要的特征及其相对重要性得分表10和表11.
发件人表10，我们可以看到波恩数据集中最重要的20个特征来自不同的特征类别。在前20个特征中，13、3、3和1个特征分别属于时域、频率、基于熵和时频类别，表明多域特征有助于癫痫发作检测。另一方面，我们发现前20个特征是从不同的成分中提取的，包括原始信号、，国际货币基金组织1,国际货币基金组织2,国际货币基金组织三,国际货币基金组织4、和国际货币基金组织10进一步验证了脑电信号分解的效果。换句话说，将每个原始脑电图信号分解为几个分量(国际货币基金组织s和一个残基）有助于提取更全面的特征。
发件人表11，我们可以看到类似的东西表10在前20个特征中，14个、4个、1个和1个特征分别属于时域、频率、基于熵和时频类别，这些特征来自原始脑电信号，国际货币基金组织1,国际货币基金组织2,国际货币基金组织三,国际货币基金组织4,国际货币基金组织5,国际货币基金组织7、和国际货币基金组织8进一步验证了特征提取和信号分解的有效性。
总之，将原始脑电图信号分解为子成分有助于提取特征来表示原始脑电图。更好的分类性能可以归功于高分辨特征。提取的多域特征较好地代表了非平稳和非线性脑电信号。此外，XGBoost分类器的分类能力优于其他分类器。因此，在我们的工作中，上述三个主要因素导致了令人满意的分类精度。

5.结论

由于脑电信号的复杂性，准确检测癫痫发作是一大挑战。为了更好地利用脑电信号检测癫痫发作，本文提出了一种结合CEEMD和XGBoost的新型癫痫发作检测方法。首先，利用CEEMD将每个原始脑电图信号分解为国际货币基金组织s和一个残基。然后，从原始信号和分解分量中提取一组多域特征，并根据提取特征的重要性对其进行进一步选择。最后，应用XGBoost开发了一种分类模型来检测无发作和发作脑电信号。据我们所知，这是CEEMD和XGBoost在癫痫发作检测中的首次联合应用。大量实验结果表明：（1）与一些最新的分类模型相比，CEEMD-XGBoost模型可以显著提高EEG信号中癫痫发作的检测性能，（2）通过将原始EEG信号分解为子成分，我们可以更好地提取特征来表示原始EEG信号，单个多域特征对分类性能具有不同的重要性，其中最重要的特征来自多个域。
由于提取了大量的特征并将其输入到用于癫痫发作检测的分类器中，因此所提出的CEEMD-XGBoost可能需要比单域特征方法更高的计算成本。未来的工作可以从三个方面进行扩展：（1）提取更有效的特征来构建癫痫发作检测模型，如双谱特征等。；（2） 进一步调查和比较不同类别特征的贡献；（3） 使用更多的EEG数据，如TUH（天普大学医院）EEG癫痫语料库等，评估CEEMD-XGBoost的缩放能力。

作者贡献

形式分析，J.W。；调查，T.Z。；方法论，J.W。；软件、J.W.和T.L。；监督，T.L。；书面原稿，J.W。；所有作者均已阅读并同意手稿的出版版本。

基金

本研究得到了中央高校基本科研业务费专项资金（JBK2003001）、教育部人文社会科学项目（19YJAZH047）和四川省教育厅科研基金（17ZB0433）的资助。

利益冲突

作者声明没有利益冲突。

工具书类

  1. 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]
  2. 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]
  3. 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]
  4. 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]
  5. 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）。
  6. 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]
  7. 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]
  8. 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]
  9. 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]
  10. 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]
  11. 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]
  12. 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]
  13. 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]
  14. 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]
  15. 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]
  16. 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]
  17. 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]
  18. 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]
  19. 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]
  20. 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]
  21. 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]
  22. 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]
  23. 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]
  24. 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]
  25. 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]
  26. 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]
  27. 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]
  28. 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]
  29. 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]
  30. 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]
  31. 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]
  32. 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]
  33. 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]
  34. 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]
  35. 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]
  36. 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]
  37. 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]
  38. 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]
  39. 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]
  40. 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]
  41. 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]
  42. 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]
  43. 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]
  44. 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]
  45. 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]
  46. 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]
  47. 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]
  48. 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]
  49. 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]
  50. 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]
  51. 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]
  52. 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]
  53. 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]
  54. 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]
  55. 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]
  56. 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]
  57. 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]
  58. 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]
  59. 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]
  60. 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]
  61. 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]
  62. 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]
  63. 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]
  64. 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]
  65. 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]
  66. 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]
  67. 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]
  68. 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]
  69. 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]
  70. 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]
  71. 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]
  72. 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]
  73. 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]
  74. 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]
  75. 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]
  76. 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]
  77. 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]
  78. 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]
  79. 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]
  80. 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]
  81. 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]
  82. 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]
  83. 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]
  84. 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]
  85. 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]
  86. 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]
  87. 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]
  88. 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]
  89. 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]
  90. 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]
  91. 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]
  92. 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]
  93. 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]
熵22 00140 g001 550
图1。经验模式分解（EMD）的说明。
图1。经验模式分解（EMD）的说明。
熵22 00140 g001
熵22 00140 g002 550
图2。完全集合经验模式分解（CEEMD）/极端梯度增强（XGBoost）模型。
图2。完全集合经验模式分解（CEEMD）/极端梯度增强（XGBoost）模型。
熵22 00140 g002
熵22 00140 g003 550
图3。CHB-MIT（波士顿儿童医院和麻省理工学院）数据集中患者01的原始多通道脑电图信号。
图3。CHB-MIT（波士顿儿童医院和麻省理工学院）数据集中患者01的原始多通道脑电图信号。
熵22 00140 g003
熵22 00140 g004 550
图4。波恩数据集A中的原始脑电片段和由完全集合经验模式分解（CEEMD）分解的相应分量。
图4。波恩数据集A中的原始脑电片段和由完全集合经验模式分解（CEEMD）分解的相应分量。
熵22 00140 g004
熵22 00140 g005 550
图5。CHB-MIT数据集中患者01的原始脑电图片段，以及通过完全集合经验模式分解（CEEMD）分解的相应分量。
图5。CHB-MIT数据集中患者01的原始脑电图片段，以及通过完全集合经验模式分解（CEEMD）分解的相应分量。
熵22 00140 g005
熵22 00140 g006 550
图6。CHB-MIT EEG分割示例。
图6。CHB-MIT EEG分割示例。
熵22 00140 g006
表
表1。波恩脑电图（EEG）数据概要。
表1。波恩脑电图（EEG）数据概要。
设置A设置B设置C设置D设置E
志愿者类型希西希西癫痫癫痫癫痫
志愿者状态睁开眼睛的觉醒状态闭眼觉醒状态Interictal公司Interictal公司Ictal公司
频道数量100100100100100
电极放置国际10-20系统国际10-20系统海马与半球相对致痫区内致痫区内
表
表2。提取特征的子集。
表2。提取特征的子集。
类别子类别特征
时域能源绝对能量，能量比
自相关不同滞后的自相关均值和方差
偏自相关
自回归自回归系数
线性趋势截距相关系数，第页-值、截距、斜率、标准误差
统计平均绝对变化
谱密度估计信号对称性
最大值、最小值、平均值、中位数、总和、标准偏差、方差、分位数、交叉重复数、峰值数等。
频域傅里叶变换谱傅里叶变换聚集和系数
时频域小波连续小波系数和峰值
表
表3。本研究考虑了各种情况。
表3。本研究考虑了各种情况。
数据集案例课程描述类型
波恩我A-E公司非癫痫发作（睁开眼睛）和发作两个
二B-E公司无视力（闭目）和发作两个
三C-E公司发作期和发作期两个
四、D-E公司发作期和发作期两个
V（V）A-D公司无视力（睁眼）和间歇两个
不及物动词AB-E公司非歧视性和歧视性两个
七、CD-E光盘发作期和发作期两个
八、ACD-E公司非发作性和发作性两个
九BCD-E公司非致命性和致命性两个
X（X）ABCD-E非致命性和致命性两个
十一A-D-E公司无症状、发作间期和发作期三个
十二AB-CD-E公司无症状、发作间期和发作期三个
CHB-麻省理工学院十三非诉讼——扣押非致命性和致命性两个
表
表4。使用10倍交叉验证的拟议方法的分类性能（%）。SEN敏感性；SPE特异性；ACC准确度。
表4。使用10倍交叉验证的拟议方法的分类性能（%）。SEN敏感性；SPE特异性；ACC准确度。
数据集案例课程SEN公司SPE公司行政协调会时间
波恩我A-E公司100.00 ± 0.00100.00 ± 0.00100.00 ± 0.0010.4秒
二B-E公司100.00 ± 0.00100.00 ± 0.00100.00 ± 0.0010.2秒
三C-E公司99.00 ± 0.06100.00 ± 0.0099.50 ± 0.0310.3秒
四、D-E公司100.00 ± 0.00100.00 ± 0.00100.00 ± 0.0010.2秒
V（V）A-D公司100.00 ± 0.00100.00 ± 0.00100.00 ± 0.0010.4秒
不及物动词AB-E公司100.00 ± 0.00100.00 ± 0.00100.00 ± 0.0014.0秒
七、CD-E光盘99.00 ± 0.06100.00 ± 0.0099.33 ± 0.0314.3秒
八、ACD-E公司100.00 ± 0.0099.67 ± 0.0299.75 ± 0.0218.3秒
九、BCD-E公司99.00 ± 0.0699.33 ± 0.0399.50 ± 0.0219.6秒
X（X）ABCD-E99.00 ± 0.0699.50 ± 0.0299.6 ± 0.0223.6秒
十一A-D-E公司--100.00 ± 0.0042.4秒
十二AB-CD-E公司--99.00 ± 0.0485.1秒
CHB-麻省理工学院十三非扣押-扣押95.70 ± 0.0695.89 ± 0.1095.79 ± 0.05772.0秒
表
表5。与波恩数据集上案例I–V的一些现有技术相比，精确度（%）。
表5。与波恩数据集上案例I–V的一些现有技术相比，精确度（%）。
作者年份方法A-E公司B-E公司C-E公司D-E公司A-D公司
Kumar等人[73]2014DWT+SVM10010099.6095.85-
Sharmila和Geethanjali[74]2016DWT+KNN10098.2597.2595.62-
载重吨位+公称吨位10099.2599.6295.12-
哈桑和苏巴西[75]2016CEEMDAN+LPBoost100-10097-
Swami等人[76]2016DTCWT+GRNN10010010099.50-
陶菲克等人[77]2016WPE+支持向量机99.508593.5096.50-
Sharma等人[78]2017ATFFWT+LS-SVM1001009998.50-
贾斯瓦尔和班卡[79]2017LNGP+神经网络99.8299.2599.0298.1899.90
1D-LGP+ANN99.8098.9299.1099.0799.37
Tiwari等人[80]2017基于关键点的LBP+SVM100----
考尔和辛格[81]2017EMD+峰值参数+ANN10010010099-
Li等人[82]2018CWT+GMM+GLCM+缓解+SVM100-100--
辛格和德胡里[83]2018载重吨+百万吨99.509798.51100-
Zhang等人[84]2018焊接工艺规程+FDE+KNN10099.9599.8699.39-
古普塔和帕乔里[85]2019基于FBSE的节奏+WMRPE+LS-SVM99.5099.5099.5097.50-
Mamli和Kalbkhani[86]2019FSST+GLCM+SVM10099.3899.5496.48-
Raghu等人[87]2019矩阵行列式+MLP99.4596.0697.6097.60-
建议的方法2019CEEMD+XGBoost10010099.50100100
DWT：离散小波变换；SVM：支持向量机；KNN:k-最近邻；注：朴素贝叶斯；CEEMDAN：带自适应噪声的完全集合经验模式分解；LPBoost：线性编程增强；DTCWT：双树复小波变换；GRNN：广义回归神经网络；WPE：加权置换熵；ATFFWT：解析时频柔性小波变换；LS-SVM：最小二乘支持向量机；LNGP：局部邻域梯度模式；人工神经网络；1D-LGP：一维局部梯度模式；GMM：高斯混合模型；GLCM：灰度共生矩阵；MLPNN：多层感知器神经网络；WPD：小波包分解；FDE：模糊分布熵；FBSE：傅里叶-贝塞尔级数展开；WMRPE：加权多尺度Renyi置换熵；FSST：傅里叶同步压缩变换；MLP：多层感知器；CEEMD：互补系综经验模式分解；XGBoost：极端梯度增强。
表
表6。与波恩数据集上案例VI–X的一些现有技术相比，精确度（%）。
表6。与波恩数据集上案例VI–X的一些现有技术相比，精确度（%）。
作者年份方法AB-E公司CD-E光盘ACD-E公司BCD-E公司ABCD-E
Kumar等人[73]2014DWT+SVM--98.80-97.38
Sharmila和Geethanjali[74]2016DWT+KNN98.8396.0896.8096.3797.10
载重吨位+公称吨位99.1698.7597.3195.1095.85
哈桑和苏巴西[75]2016CEEMDAN+LPBoost----99.20
Sharma等人[78]2017ATFFWT+LS-SVM10098.67--99.20
贾斯瓦尔和班卡[79]2017LNGP+神经网络-98.88--98.72
Tiwari等人[80]2017基于关键点的LBP+SVM-99.45--99.31
考尔和辛格[81]2017EMD+峰值参数+ANN----99.80
辛格和德胡里[83]2018DWT+MLPNN8999.339895.7595.60
Zhang等人[84]2018WPD+FDE+KNN99.9899.58--99.71
Zhang等人[88]2018GST+基于SVD的功能+RF-99.12--99.63
古普塔和帕乔里[85]2019基于FBSE的节奏+WMRPE+LS-SVM-99--98.60
Mamli和Kalbkhani[86]2019FSST+GLCM+SVM99.7399.59--97.38
Raghu等人[87]2019矩阵行列式+MLP97.1096.8596-97.20
建议的方法2019CEEMD+XGBoost10099.3399.7599.5099.60
GST：广义Stockwell变换；SVD：奇异值分解；RF：随机森林。
表
表7。与波恩数据集上案例XI–XII的一些现有技术相比，精确度（%）。
表7。与波恩数据集上案例XI–XII的一些现有技术相比，精确度（%）。
作者年份方法A-D-E公司AB-CD-E公司
哈桑和苏巴西[75]2016CEEMDAN+LPBoost97.60
Tawfik等人[77]2016WPE+支持向量机97.50-
贾斯瓦尔和班卡[79]2017LNGP+ANN98.22-
Tiwari等人[80]2017基于关键点的LBP+SVM-98.80
Kalbkhani和Shayesteh[25]2017ST+NN公司99.3799.54
Zhang等人[84]2018焊接工艺规程+FDE+LNN99.3998.76
Zhang等人[88]2018GST+基于SVD的功能+RF99.0398.62
Mamli和Kalbkhani[86]2019FSST+GLCM+SVM99.6799.26
Raghu等人[87]2019矩阵行列式与MLP-96.50
建议的方法2019CEEMD+XGBoost10099
ST:Stockwell变换。
表
表8。与CHB-MIT数据集上案例XIII的一些现有技术的准确度（%）比较。
表8。与CHB-MIT数据集上案例XIII的一些现有技术的准确度（%）比较。
作者年份方法非咬合-咬合
--CEEMD+NN公司89.18
--CEEMD+SVM90.07
--CEEMD+射频90.90
Rafiuddin等人[89]2011重量+LDA80.16
Khan等人[90]2012DWT+LDA91.80
Behnam等人[91]2015DWT+SLMM+MLP+KNN90
Zabihi等人[92]2016PSR+LDA+NB94.69
Yuan等人[72]2018WT+CtxFusion脑电图95.71
Wei等人[93]2019CNN+MIDS84
建议的方法2019CEEMD+XGBoost95.79
NN：神经网络；RF：随机森林；WT：小波变换；LDA：线性判别分析；SLMM：奇异Lorenz测度方法；PSR：相空间重构；注意：幼稚贝叶斯；CtxFusion EEG：小波变换上下文融合EEG；CNN：卷积神经网络；MIDS：递增序列和递减序列的合并。
表
表9。带有CEEMD与不带CEEMD的检测模型的性能（%）。
表9。带有CEEMD与不带CEEMD的检测模型的性能（%）。
数据集案例课程XGBoost公司CEEMD-XGBoost公司
SEN公司SPE公司行政协调会SEN公司SPE公司行政协调会
波恩我A-E公司100.00 ± 0.00100.00 ± 0.00100.00 ± 0.00100.00 ± 0.00100.00 ± 0.00100.00 ± 0.00
二B-E公司99.00 ± 0.0698.00 ± 0.0898.50 ± 0.05100.00 ± 0.00100.00 ± 0.00100.00 ± 0.00
三C-E公司99.00 ± 0.0699.00 ± 0.0699.00 ± 0.0499.00 ± 0.06100.00 ± 0.0099.50 ± 0.03
四、D-E公司100.00 ± 0.00100.00 ± 0.00100.00 ± 0.00100.00 ± 0.00100.00 ± 0.00100.00 ± 0.00
V（V）A-D公司100.00 ± 0.0099.00 ± 0.0699.50 ± 0.03100.00 ± 0.00100.00 ± 0.00100.00 ± 0.00
不及物动词AB-E公司99.00 ± 0.0699.00 ± 0.0499.00 ± 0.03100.00 ± 0.00100.00 ± 0.00100.00 ± 0.00
七、CD-E光盘97.00 ± 0.1398.50 ± 0.0598.00 ± 0.0499.00 ± 0.06100.00 ± 0.0099.33 ± 0.03
八、ACD-E公司97.00 ± 0.1399.00 ± 0.0398.50 ± 0.05100.00 ± 0.0099.67 ± 0.0299.75 ± 0.02
九、BCD-E公司96.00 ± 0.1399.67 ± 0.0298.75 ± 0.0599.00 ± 0.0699.33 ± 0.0399.50 ± 0.02
X（X）ABCD-E96.00 ± 0.1399.75 ± 0.0299.00 ± 0.0399.00 ± 0.0699.50 ± 0.0299.60 ± 0.02
十一A-D-E公司--100.00 ± 0.00--100.00 ± 0.00
十二AB-CD-E公司--97.40 ± 0.07--99.00 ± 0.04
CHB-麻省理工学院十三非诉讼——扣押93.46 ± 0.1292.83 ± 0.1793.14 ± 0.0795.70 ± 0.0695.89 ± 0.1095.79 ± 0.05
表
表10。波恩数据集中最重要的20个特征。
表10。波恩数据集中最重要的20个特征。
功能重要性得分组件域描述
更改分位数（_Q）0.0487国际货币基金组织三时间分位数0.1和0.2给出的走廊内连续变化的绝对平均值
聚合线性趋势0.0430国际货币基金组织2时间时间序列值的线性最小二乘回归
聚合线性趋势0.0358国际货币基金组织三时间时间序列值的线性最小二乘回归
Svd_熵0.0352国际货币基金组织1熵奇异值分解熵
FFT_聚合_偏斜0.0352国际货币基金组织1频率绝对傅里叶变换谱的谱偏斜
AR效率（_C）0.0336国际货币基金组织1频率自回归系数
重复出现数据点的百分比to_all0.0272原始时间多次出现的唯一值的百分比
比率_值_编号_时间_系列_长度0.0230原始时间当时间序列中的所有值只出现一次时，系数为1，否则小于1
聚合线性趋势0.0204原始时间时间序列值的线性最小二乘回归
AR效率（_C）0.0165原始时间自回归系数
AR效率（_C）0.0153国际货币基金组织10时间自回归系数
近似熵（_E）0.0143国际货币基金组织1熵近似熵
FFT_系数0.0141国际货币基金组织4频率离散傅里叶变换的傅里叶系数
自相关0.0138国际货币基金组织2时间指定滞后的自相关（8）
绝对更改数0.0137国际货币基金组织2时间连续变化的绝对值之和
更改分位数（_Q）0.0113国际货币基金组织2时间分位数0.8和0.0给出的走廊内连续变化的绝对平均值
聚合自相关（_A）0.0108原始时间自相关上聚集函数的值
自相关0.0102原始时间指定滞后的自相关（6）
近似熵（_E）0.0098原始熵近似熵
数量_CWT_峰值0.0094原始时间-频率在足够宽的尺度和足够高的信噪比（SNR）下出现的峰值数量
表
表11。CHB-MIT数据集中最重要的20个特征。
表11。CHB-MIT数据集中最重要的20个特征。
功能重要性得分组件域描述
更改分位数（_Q）0.0527国际货币基金组织4时间分位数0.2和0.4给出的走廊内连续变化的绝对平均值
分位数0.0423原始时间原始信号的0.8分位数
聚合线性趋势0.0419国际货币基金组织4时间时间序列值的线性最小二乘回归
更改分位数（_Q）0.0359国际货币基金组织5时间分位数0.2和1.0给出的走廊内连续变化的绝对平均值
更改分位数（_Q）0.0206原始时间由分位数0.4和0.6给出的走廊内连续变化的绝对平均值
FFT_系数0.0179国际货币基金组织1频率离散傅里叶变换的傅里叶系数
分位数0.0165国际货币基金组织4时间原始信号的0.2分位数
峰值数（_P）0.0148国际货币基金组织1时间信号中至少支持1的峰值数
FFT_系数0.0145国际货币基金组织4频率离散傅里叶变换的傅里叶系数
编号_交叉0.0083国际货币基金组织1时间1上信号的交叉次数
自相关0.0051国际货币基金组织1时间指定滞后的自相关（9）
范围_计数0.0046国际货币基金组织2时间计算间隔内的观察值[-1，1）
能量比率0.0043国际货币基金组织1时间块的平方和；10个块中有3个表示为整个时间序列中平方和的比率
排列_熵0.0041国际货币基金组织4熵置换熵
更改分位数（_Q）0.0040国际货币基金组织2时间由分位数0.0和0.6给出的道路内部连续变化的绝对平均值
FFT_系数0.0039国际货币基金组织三频率离散傅里叶变换的傅里叶系数
FFT_系数0.0036国际货币基金组织7频率离散傅里叶变换的傅里叶系数
Cwt_效率0.0035国际货币基金组织4时间-频率Ricker小波的连续小波变换
峰值数（_P）0.0035国际货币基金组织三时间信号中至少支持3个峰值的数量
更改分位数（_Q）0.0034国际货币基金组织8时间分位数0.0和0.6给出的道路内连续变化的绝对平均值

分享和引用

MDPI和ACS样式

吴杰。；周，T。；李，T。用互补集成经验模式分解和极端梯度增强检测脑电信号中的癫痫发作。熵 2020,22, 140.https://doi.org/10.3390/e22020140

AMA风格

吴杰，周涛，李涛。用互补集成经验模式分解和极值梯度增强法检测脑电信号中的癫痫发作。熵. 2020; 22(2):140.https://doi.org/10.3390/e22020140

芝加哥/图拉宾风格

吴、江、周腾飞和李太勇。2020年，“利用互补集成经验模式分解和极值梯度增强检测脑电图信号中的癫痫发作”熵22，2号：140。https://doi.org/10.3390/e22020140

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章指标

返回页首顶部