莫赫塔尔·穆罕默德；纳比尔·阿里·汗；Ali Akbar Pouyan 使用高度自适应的定向时频分布自动检测癫痫发作。 （英语） 兹比尔1453.92167 多维系统。信号处理。 29，第4期，1661-1678（2018）。 小结：熟练的神经学家可以使用脑电图（EEG）信号检测大脑内是否存在癫痫发作活动。鉴于不可能对EEG信号进行手动全天监测，因此自动检测EEG信号中的癫痫具有重要的临床意义。利用从高分辨率时频分布（TFD）中提取的特征，开发了一种用于癫痫检测的患者相关算法。为了获得良好的分类性能，定义了一种改进的高自适应时频分布（HADTFD）。改进的HADTFD用于获得脑电信号清晰、无交叉项的时频表示。接下来是特征的提取和线性分类器的训练。该方法基于改进的HADTFD，仅使用三个时频特征，就达到了98.56%的分类精度，比其他TFD的分类精度高37%。 MSC公司： 92 C55 生物医学成像和信号处理 关键词：时频分布；线性分类器；癫痫发作检测；患者依赖性 软件：TFSAP公司 PDF格式BibTeX公司 XML格式引用 \textit{M.Mohammadi}等人，《多维系统》。信号处理。29，第4号，1661--1678（2018；Zbl 1453.92167） 全文： 内政部 参考文献： [1] Aarabi，A.、Fazel-Rezai，R.和Aghakhani，Y.（2009年）。基于模糊规则的颅内EEG癫痫发作检测系统。临床神经生理学，120（9），1648-1657。doi:10.1016/j.clinph.2009.07.002·doi:10.1016/j.clinph.2009.07.002 [2] Alam，S.M.S.和Bhuiyan，M.I.H.（2013）。使用EMD域中的高阶统计量检测癫痫发作。IEEE生物医学与健康信息学杂志，17（2），312-318。doi:10.1109/JBHI.2012.2237409·doi:10.1109/JBHI.2012.2237409 [3] Ali Khan，N.和Ali，S.（2017年）。用于源定位的稀疏感知自适应定向时频分布。电路、系统和信号处理，。doi:10.1007/s00034-017-0603-9·doi:10.1007/s00034-017-0603-9 [4] Alotaiby，T.N.，Alshebeili，S.A.，El-Samie，F.E.A.，Alabdulrazak，&A.，Alkhnaian，E.（2016）。使用统计方法进行信道选择和捕获检测。2016年第五届电子设备、系统和应用国际会议（ICEDSA）（第1-4页）。doi:10.1109/ICEDSA2016.7818505。 [5] Bhattacharyya，A.和Pachori，R.B.（2017年）。使用经验小波变换的患者特定EEG发作检测的多元方法。IEEE生物医学工程学报，PP（99），1-1。doi:10.1109/TBME.2017.2650259。 [6] Boashash，B.（2016）。第1章时间频率和瞬时频率概念。参见：B.Boashash（编辑），《时频信号分析与处理》（第2版）（第31-63页）。牛津：学术出版社。doi:10.1016/B978-0-12-398499-9.00001-7。 [7] Boashash，B.和Azemi，G.（2014年）。时频匹配滤波器设计及其在多通道新生儿脑电图癫痫检测中的应用综述。数字信号处理，28，28-38。doi:10.1016/j.dsp.2014.02.007·doi:10.1016/j.dsp.2014.02.007 [8] Boashash，B.、Azemi，G.和Khan，N.A.（2015年）。非平稳信号变化检测的时频特征提取原理：在新生儿脑电图异常检测中的应用。模式识别，48（3），616-627。doi:10.1016/j.patcog.2014.08.016·doi:10.1016/j.patcog.2014.08.016 [9] Boashash，B.、Azemi，G.和O'Toole，J.M.（2013）。非平稳信号的时频处理：先进的TFD设计，以医学应用的亮点帮助诊断。IEEE信号处理杂志，30（6），108-119。doi:10.1109/MSP.2013.2265914·doi:10.1109/MSP.2013.2265914 [10] Boashash，B.、Khan，N.A.和Jabeur，T.B.（2015）。使用高分辨率TFD进行模式识别的时频特征：教程回顾。数字信号处理，40，1-30。doi:10.1016/j.dsp.2014.12.015·doi:10.1016/j.dsp.2014.12.015 [11] Boashash，B.，Ouelha，S.（2017年）。一种改进的高分辨率二次时频分布设计，用于使用方向紧致核分析非平稳多分量信号。IEEE信号处理汇刊，PP（99），1-1。doi:10.1109/TSP.2017.2669899。 [12] Cic，M.、Soda，J.和Bonkovic，M.（2013）。基于单通道脑电信号瞬时频率的婴儿睡眠自动分类。生物与医学计算机，43（12），2110-2117。doi:10.1016/j.compbiomed.2013.10.002·doi:10.1016/j.compbiomed.2013.10.002 [13] Dalton，H.（1920）。收入不平等的衡量。《经济》，30（119），348-361。 [14] De Vos，M.、Deburchgraeve，W.、Cherian，P.J.、Matic，V.、Swarte，R.M.、Govaert，P.等人（2011年）。预处理过程中的自动伪影消除改进了新生儿癫痫检测。临床神经生理学，122（12），2345-2354。doi:10.1016/j.clinph.2011.04.026·doi:10.1016/j.clinph.2011年4月26日 [15] Dong，S.、Azemi，G.和Boashash，B.（2014）。基于基于数据自适应核二次时频分布估计的瞬时频率特征，改进了HRV信号的特征。生物医学信号处理与控制，10153-165。doi:10.1016/j.bspc.2013.111.008·doi:10.1016/j.bspc.2013.11.008 [16] Dong，S.、Boashash，B.、Azemi，G.、Lingwood，B.和Colditz，P.B.（2014）。利用基于时频的心率变异性特征自动检测围产期缺氧。《医学与生物工程与计算》，52（2），183-191。doi:10.1007/s11517-013-1129-3·doi:10.1007/s11517-013-1129-3 [17] Fu，K.，Qu，J.，Chai，Y.，&Zou，T.（2015）。用于脑电信号中癫痫自动检测的希尔伯特边缘谱分析。生物医学信号处理和控制，18，179-185。doi:10.1016/j.bspc.2015.01.002·doi:10.1016/j.bspc.2015.01.002 [18] Ghoraani，B.和Krishnan，S.（2011年）。环境音频信号的时频矩阵特征提取和分类。IEEE音频、语音和语言处理汇刊，19（7），2197-2209。doi:10.1109/TASL.2011.2118753·doi:10.1109/TASL.2011.2118753 [19] Hamid，H.、Mostefa，M.和Boualem，B.（2004）。基于奇异值分解的新生儿脑电图发作时频特征提取。EURASIP信号处理进展期刊，2004（16），8982124。doi:10.1155/S1110865704406167·Zbl 1108.92303号 ·doi:10.1155/S1110865704406167 [20] Honeine，P.、Richard，C.和Flandrin，P.（2007）。时间频率学习机。IEEE信号处理汇刊，55（7），3930-3936。doi:10.1109/TSP.2007.894252·Zbl 1390.68532号 ·doi:10.1109/TSP.2007.894252 [21] Hosseini，M.P.、Hajisami，A.和Pompili，D.（2016）。基于随机子空间集成学习的脑电信号实时癫痫发作检测。2016年IEEE自主计算国际会议（ICAC）（第209-218页）。doi:10.1109/ICAC.2016.57。 [22] Hunyadi，B.、Dupont，P.、Van Paesschen，W.和Van Huffel，S.（2017年）。癫痫脑电图和功能磁共振成像数据中的张量分解和数据融合。威利跨学科评论：数据挖掘和知识发现，7（1），e1197-n/a。doi:10.1002/widm.1197。图1197·doi:10.1002/widm.1197 [23] Ihle，M.、Feldwisch-Drentrup，H.、Teixeira，C.A.、Witon，A.、Scheter，B.、Timmer，J.等人（2012年）。癫痫——欧洲癫痫数据库。生物医学中的计算机方法和程序，106（3），127-138。doi:10.1016/j.cmpb.2010.08.011·doi:10.1016/j.cmpb.2010.08.011 [24] Jokanovic，B.和Amin，M.（2015）。多普勒信号最佳二次时频分布的稀疏性和集中性度量。摘自：2015 IEEE雷达会议（RadarCon）（第1211-1215页）。doi:10.1109/RADAR.2015.7131179。 [25] Kevric，J.和Subasi，A.（2014）。多尺度PCA去噪在癫痫发作检测中的作用。《医疗系统杂志》，38（10），131。doi:10.1007/s10916-014-0131-0·doi:10.1007/s10916-014-0131-0 [26] Khan，N.A.和Ali，S.（2016年）。使用自适应时频分布对脑电信号进行分类。计量和测量系统，23（2），251-260·doi:10.1515/mms-2016-0021 [27] Khan，N.A.和Boashash，B.（2016年）。使用局部自适应定向时频分布的多分量瞬时频率估计。国际自适应控制和信号处理杂志，30（3），429-442·Zbl 1348.93242号 ·doi:10.1002/acs.2583 [28] Khan，N.A.和Sandsten，M.（2016年）。基于Wigner-Ville分布中干扰抑制的时频图像增强。信号处理，127，80-85·doi:10.1016/j.sigpro.2016.02.027 [29] Khlif，M.、Colditz，P.和Boashash，B.（2013）。有效实现具有自适应预处理和后处理的时频匹配滤波器，用于新生儿癫痫的数据相关检测。医学工程物理学，35（12），1762-1769。doi:10.1016/j.medengphy.2013.07.005·doi:10.1016/j.medengphy.2013.07.005 [30] Li，J.，Zhou，W.，Yuan，S.，Zhang，Y.，Li，C.，&Wu，Q.（2016）。一种改进的基于学习字典的稀疏表示的癫痫检测方法。《国际神经系统杂志》，26（01），1550035。doi:10.1142/S012906571550355·doi:10.1142/S012906571550355 [31] Liu，J.，Wu，C.，Wang，Z.，&Wu，L.（2017）。2型模糊框架中传感器网络的可靠滤波器设计。IEEE工业信息学报，PP（99），1-1。doi:10.1109/TII.2017.2654323。 [32] Mathieson，S.R.、Stevenson，N.J.、Low，E.、Marnane，W.P.、Rennie，J.M.、Temko，A.等人（2016）。足月新生儿癫痫自动检测算法的验证。临床神经生理学，127（1），156-168。doi:10.1016/j.clinph.2015.04.075·doi:10.1016/j.clinph.2015.04.075 [33] Mohammadi，M.、Pouyan，A.A.和Khan，N.A.（2016年）。高度自适应的定向时频分布。信号、图像和视频处理，10（7），1369-1376。doi:10.1007/s11760-016-0901-x·数字对象标识代码：10.1007/s11760-016-0901-x [34] Nilufar，S.、Ray，N.、Molla，M.K.I.和Hirose，K.（2012年）。基于谱图的特征选择，使用多核学习进行语音/音乐识别。2012年IEEE声学、语音和信号处理国际会议（ICASSP）（第501-504页）。doi:10.1109/ICASSP.2012.6287926。 [35] Orosco，L.、Correa，A.G.、Diez，P.和Laciar，E.（2016）。头皮脑电图中癫痫检测的患者非特异性算法。生物学和医学中的计算机，71，128-134。doi:10.1016/j.com.pbiomed.2016.02.016·doi:10.1016/j.compbiomed.2016.02.016 [36] Raghunathan，S.、Jaitli，A.和Irazoqui，P.（2011）。针对低功耗硬件平台优化的多级捕获检测技术。癫痫行为，22，61-68。doi:10.1016/j.yebeh.2011.09.008·doi:10.1016/j.yebeh.2011.09.008 [37] Riaz，F.、Hassan，A.、Rehman，S.、Niazi，I.K.和Dremstrup，K.（2016）。基于EMD的时间和频谱特征，用于使用监督学习对EEG信号进行分类。IEEE神经系统与康复工程汇刊，24（1），28-35。doi:10.1109/TNSRE.2015.2441835·doi:10.1109/TNSRE.2015.2441835 [38] Sejdi，E.、Djurovi，I.和Jiang，J.（2009）。使用能量集中的时频特征表示：最新进展概述。数字信号处理，19（1），153-183。doi:10.1016/j.dsp.2007.12.004·doi:10.1016/j.dsp.2007.12.004 [39] Sharma，R.、Pachori，R.B.和Acharya，U.R.（2015）。熵测度在自动识别局灶性脑电图信号的固有模式函数中的应用。熵，17（2），669-691。doi:10.3390/e17020669·doi:10.3390/e17020669 [40] Souli，S.和Lachiri，Z.（2013年）。基于log-gabor滤波器的视觉领域环境声音分类的多类支持向量机。国际语音技术杂志，16（2），203-213。doi:10.1007/s10772-012-9174-0·doi:10.1007/s10772-012-9174-0 [41] Stankovi，L.（2001）。某些时间频率分布浓度的度量。信号处理，81（3），621-631。doi:10.1016/S0165-1684（00）00236-X（多媒体数字信号处理专题）·Zbl 1080.62560 ·doi:10.1016/S0165-1684（00）00236-X [42] Stankovic，L.（1994）。一种时频分析方法。IEEE信号处理汇刊，42（1），225-229。doi:10.1109/78.258146·数字对象标识代码：10.1109/78.258146 [43] Temko，A.、Thomas，E.、Marnane，W.、Lightbody，G.和Boylan，G.（2011年）。基于EEG的支持向量机新生儿癫痫检测。临床神经生理学，122（3），464-473。doi:10.1016/j.clinph.2010.06.034·doi:10.1016/j.clinph.2010.06.034 [44] 王凯（2015）。使用多分辨率纹理分析和声学活动检测器的时频特征表示，用于真实语音情感识别。传感器，15（1），1458-1478。doi:10.3390/s150101458·数字对象标识码：10.3390/s150101458 [45] Wu，L.，Gao，Y.，Liu，J.，&Li，H.（2017）。通过输出反馈实现随机系统的事件触发滑模控制。自动化，82，79-92。doi:10.1016/j.automatica.2017.04.032·Zbl 1376.93030号 ·doi:10.1016/j.automatica.2017.04.032 [46] Yuan，Q.，Zhou，W.，Liu，Y.，&Wang，J.（2012）。具有线性和非线性特征的癫痫发作检测。癫痫行为，24（4），415-421。doi:10.1016/j.yebeh.2012.05.009·doi:10.1016/j.yebeh.2012.05.009 [47] Zandi，A.S.、Javidan，M.、Dumont，G.A.和Tafreshi，R.（2010）。使用基于小波包变换的算法在头皮脑电图记录中自动实时检测癫痫发作。IEEE生物医学工程汇刊，57（7），1639-1651。doi:10.1109/TBME.2010.2046417·doi:10.1109/TBME.2010.2046417 [48] Zhang，Y.，Zhou，W.，&Yuan，S.（2015）。基于多重分形分析和相关向量机的颅内EEG癫痫自动检测。国际神经系统杂志，25（06），1550020。doi:10.1142/S012906571550203·doi:10.1142/S012906571550203 [49] Zhang，Z.和Parhi，K.K.（2016）。根据iEEG/sEEG使用谱功率和谱功率比预测低复杂度癫痫发作。IEEE生物医学电路与系统汇刊，10（3），693-706。doi:10.1109/TBCAS.2015.2477264·doi:10.1109/TBCAS.2015.2477264 [50] 周伟、刘毅、袁琦、李旭（2013）。在颅内EEG中使用间隙和贝叶斯线性判别分析检测癫痫发作。IEEE生物医学工程汇刊，60（12），3375-3381。doi:10.1109/TBME.013.2254486·doi:10.1109/TBME.013.2254486 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。