脑电图的癫痫发作分类图像使用支持向量机

Pazhanirajan.S¹,Dhanalakshmi.P²

计算机科学与工程系助理教授,Annamalai大学,奇丹巴拉姆,Tamilnadu、印度
计算机科学与工程系,副教授Annamalai大学,奇丹巴拉姆,Tamilnadu、印度

文摘

近年来人类遭受各种神经系统疾病,如头痛、痴呆、创伤性脑损伤、中风和癫痫。所有年龄段的世界人口近5000万人罹患癫痫。诊断癫痫症一个自动检测系统是一个重要的工具。在本文中,我们提出一个新的方法分类的脑电图(EEG)信号分为两类即癫痫和非癫痫。脑电图图像的特征提取使用离散余弦变换(DCT)和离散小波变换(DWT)。提取的特征用于模型生成。支持向量机的模式分类模型类的观察脑电图的分布特征。实验在不同的脑电图形象说明支持向量机的结果是重要的和有效的。

关键字

脑电图(EEG)、脑电图分类、离散余弦变换(DCT)、离散小波变换(DWT)、支持向量机(SVM)。

我的介绍。

脑电图(EEG)是一个复杂的人类大脑信号组成的高信息脑功能和神经紊乱。

癫痫发作影响病人的日常生活由于不可预知的和突然的性质。特别是对于drugresistant癫痫患者,预测即将发作的可能性会非常有用,不仅对病人的安全,而且还可能停止不必要的事件。药理或电治疗需求可能,事实上,适用于停止迎面而来的发作(去内脏et al ., 2005), (Esteller et al ., 2004)。

癫痫是癫痫,影响神经系统。癫痫是如果有任何扰动引起的神经元活动的正常模式。视觉扫描检测癫痫的脑电图信号非常耗时,并且可能不准确,特别是长时间录音。EEG信号的检测癫痫发作是癫痫诊断的一个重要组成部分。

原始的脑电图信号高度很难分类预测的过程。EEG信号捕获为脑电图图像DCT和DWT应用于这些图像提取特征。提取的特征应用于支持向量机进行分类。

二世。相关工作

在[1]作者提出了脑电图的癫痫发作探测系统信号基于离散小波变换(DWT)和群(SNS)负选择算法。

免疫功能提出了加权支持向量机在[2]中克服困难传统SVM脑电图分类。在这项研究中,作者使用了IA在寻找最优特征权重和支持向量机的最优参数,同时它的内核函数。结合支持向量机和IA和特征权重,加权支持向量机(IFWSVM)免疫功能是用来multiclassify五个不同的心理任务。在[3]中,作者开发了一个自动诊断癫痫的发作检测系统。该检测系统是基于广义自回归条件异方差(GARCH)模型。

小说wavelet-chaos-neural网络方法[4]提出了分类的脑电图(脑电图)信号。EEG信号分解成分解后用小波分析。以下技术的分类精度比较:1)unsupervised-means聚类;2)线性和二次判别分析;3)径向基函数神经网络;4)Levenberg-Marquardt反向传播神经网络(LMBPNN)。

在[5]作者提出的多类支持向量机(SVM)纠错输出编码多级脑电图(EEG)信号分类问题。在两个阶段进行分类;在第一阶段功能是通过计算小波系数中提取和李雅普诺夫指数,在两阶段分类使用分类器对提取的特征。

在[6],特性通常采用自动语音识别(ASR)是用于检测新生儿脑电图的癫痫发作。特别是光谱envelope-based特征,光谱组成的权力及其光谱衍生品相比,建立的特性集之前开发的脑电图分析。在[7]作者解决了预测癫痫发作的脑电图数据的在线分析。建议的解决方案以新颖方式依赖脑电时间序列的自回归模型,结合最小二乘参数估计量的脑电图特征提取和支持向量机(SVM)之间的二进制分类preictal /猝发的发作状态。

三世。特征提取

答:离散余弦变换

DCT利用像素在图像表现出一定的相关性与邻近的像素。2 d DCT用给出的方程表示如下。

应用二维DCT的图像,将图像转换成一个图像相关的图像数据。两个主要的属性描述DCT De相关性和能源压实。德之间的相关性去除冗余的财产邻近的像素。DCT展示高水平的相关属性。能量压实能力包输入数据到尽可能少的系数。DCT展览优秀的能量压缩高度相关的图片。DCT的这些属性提供了一种使用DCT图像的特征提取。这将提取图像的重要特征把多余的冗余数据的图像。

b .离散小波变换

离散小波变换(DWT)[13]是一个线性变换作用于一个数据一个整数向量长度是两个孩子的权力,将其转化成数值不同向量的长度相同。DWT的特性

是它细分成不同的频率成分的数据,然后研究每个组件分辨率匹配其规模。DWT计算的级联滤波因子2子采样图1紧随其后。

aj元素用于下一步(规模)的变换和元素dj,称为小波系数,确定输出的转换。l h [n]和[n]分别系数低和high-pas过滤器一个可以假定规模j + 1只有一半数量的规模和d元素j。这导致DWT可以做,直到只剩下两个aj元素分析的信号。这些元素被称为尺度函数系数。

第四,脑电图分类建模技术

支持向量机(SVM)是基于结构风险最小化的原则。支持向量机学习一组最优分离超平面从给定的正面和负面的例子。这与传统的模式识别技术(Mourad Adnane et al ., 2012;马库斯Musselman et al ., 2010)的最小化经验风险,优化训练数据的性能。支持向量机可以用于模式分类。对于线性可分的数据支持向量机找到分离超平面分离数据和最大的利润。对于线性不可分的数据,它将输入空间中的数据映射到一个高维空间。

与核函数Φ(x)找到分离超平面。支持向量机评价从给定的数据作为学习流行的工具。原因是支持向量机更有效比传统的模式识别方法的基础上,结合特征选择过程和传统的分类器。

支持向量机核函数的一个示例Φ(x)二维输入空间映射到更高的三维特征空间,如图2所示。支持向量机最初开发两类分类问题。使用N N类分类问题可以解决支持向量机。每个支持向量机分离单个类所有其余类[14]- [16]

支持向量机通常适用于线性边界。如果一个线性边界是不恰当的支持向量机可以将输入向量映射到一个高维特征空间。通过选择一个非线性映射,SVM构造最优分离超平面在这个高维空间中,如图2所示。函数K被定义为内核函数生成的内在产品构建机器不同类型的非线性决定输入空间的表面。

内核函数可以是任何的对称函数满足Mercer的条件(报和希耳伯特,1953)。有几个SVM核函数如表1中给出。

诉实验结果

答:数据集

脑电图数据如Figure.3所示,从拉贾Muthiah医学院和医院用于这项工作。脑电图数据包括五个子集(指示为C T O, P和F),每个包含100单通道脑电图信号,每一个有5分钟时间。从这个数据的数据集是由收集100 10秒持续时间的图像识别癫痫和另外100图像随机选择10秒的持续时间。手动EEG信号分析,如果有任何异常,那么图像信号捕获为10秒。

DCT和DWT提取40从脑电图镜像功能。提取的特征应用于支持向量机分类器,将图像分为两个模型0和1。EEG图像分为训练和测试组每100张图片组成。支持向量机学习用于计算分类参数。图像分为各自模型的训练过程。模型1表示0代表非癫痫癫痫和模型。使用测试图像的准确性SVM分类器。脑电图的结果表明,支持向量机分类使用特征提取图像DWT的分类精度高于SVM分类使用DCT的特征提取。

引用

Varun Bajaj和Ram Bilas Pachori”,癫痫的分类和Nonseizure EEG信号利用经验模态分解”,IEEE信息技术在生物医药、16卷,没有。6 (pp.1135 - 1141), 2012。
Lei郭、吴Youxi Lei赵,Ting曹,威力燕、Xueqin沈,“精神分类任务从脑电图信号使用免疫功能加权支持向量机”,IEEE磁学,47卷,没有。5 . (pp.866 - 869), 2011。
s . Mihandoost m . Amirani m . Mazlaghani a . Mihandoost”自动特征提取使用普遍自回归条件异方差性的模型:应用脑电图分类”,专业信号过程中,6卷,空间站。9日,第838 - 829页,2012年。
Samanwoy Ghosh-Dastidar, Hojjat埃德里*,会员,IEEE,和Nahid Dadmehr,“閒杂Wavelet-Chaos-Neural网络方法用于癫痫和癫痫发作检测”,IEEE生物医学工程、54卷,没有。9日pp.1545 - 1551, 2007。
一转眼居尔和Elif Derya U beyli,“脑电信号分类的多类支持向量机”的IEEE信息技术在生物医药、11卷,没有。2,页。117 - 126年,2007年。
威廉·安德烈Temko, Climent Nadeu Marnane,杰拉尔丁b . Boylan和戈登•Lightbody“脑电图信号与光谱描述——Envelope-Based语音识别功能检测新生儿癫痫发作”的IEEE信息技术在生物医药、15卷,没有。6,839 - 847年,2001页。
路易吉Chisci Antonio Mavino Guido Perferi马可Sciandrone∗,卡梅隆衰老,加布里埃尔·克里奇奥,和Filomena Fuggetta,“实时癫痫发作预测使用AR模型和支持向量机”,IEEE生物医学工程、57卷,没有。5,1124 - 1132年,2010页。
Yatindra库马尔·m·l .该文·r·s . Anand“癫痫发作在脑电图检测使用DWT-based ApEn和人工神经网络”,Sprinker。DOI 10.1007 / s11760 - 012 - 0362 - 9日,2012年。
m .取出内脏,诉Padrun w·f·Pralong和d . Boison”被抑制和缺乏腺苷A1受体脱敏焦长期交付腺苷后封装成肌细胞”,实验,神经。卷。193年,64年53 - 2005页。
r·Esteller j . Echauz, t . Tcheng“比较线长度的功能在癫痫患者脑电刺激”之前和之后,在Proc, IEEE Eng。地中海,杂志。Soc。相依,7卷,第4713 - 4710页,2004年。
Amir b Geva *会员,IEEE和丹·h·Kerem“广义预测癫痫发作的脑电图信号通过小波分析和动态非监督模糊聚类”,IEEE生物医学工程、45卷,没有。10日,页。1205 - 1216。(pca), 1998年。
b . Yegnanarayana……基肖尔,“AANN:替代GMM模式识别”,神经网络,15卷,第469 - 459页,2002年1月。
m . Kociołek a . Materka m . Strzelecki p . Szczypiński“离散小波变换,导出功能,为数字图像纹理分析”,国际会议Proc.信号和电子系统,21页,罗兹,波兰,163 - 168年,2001页。
杜达,r . O。,Hart, P. E., & Strok, D. G, “Pattern Classification”, New York: John Wiley-Interscience, 2001.
p . Dhanalakshmi s Palanivel诉Ramalingam”,音频信号的分类使用SVM和时滞”大小,爱思唯尔(pp。6069 - 6075),2009。
Dhanlakshmi。P,“音频检索应用程序分类”,Annamalai大学博士论文,2010年。