I-Shou University Institutional Repository:Item 987654321/21416
60
0
0
全文
(2) 基於頭皮腦波零越點區間特徵之癲癇發 作預測 Epileptic Seizure Prediction Based on Zero-Crossing Interval Features of Scalp EEG Signals Student : Bo-Jhong Chen. 研究生：陳柏仲. Advisor : Chen-Sen Ouyang. 指導教授：歐陽振森 博士. 義守大學 資訊工程研究所 碩士論文. A Thesis Submitted to Department of Information Engineering I-Shou University in Partial Fulfillment of the Requirements for the Master degree in Information Engineering July 2017 Kaohsiung, Taiwan, Republic of China. 中華民國一○六年七月.
(3)
(4) 基於頭皮腦波零越點區間特徵之癲癇發 作預測. 研究生：陳柏仲. 指導教授：歐陽振森 博士 義守大學 資訊工程研究所. 摘 要 本研究結合頭皮腦波零越點區間與心率變異分析，提出一種癲癇發作預測方法。對 於癲癇患者的頭皮腦波，先取得其發作前與發作間之數個腦波分段，並計算每個分段之 零越點區間序列。接著，利用心率變異分析以時間視窗滑動的方式計算零越點區間序列 之多個特徵。再來，運用統計檢定評估每個特徵對於發作前與發作間狀態分類之鑑別性。 最後，以隨機決策森林、貝氏分類器、最近鄰居法、支持向量機、線性識別分析等五種 常用的分類建模方法分別建立發作前與發作間狀態分類模型，並進行分類結果比較。. 關鍵字:正零越點區間、零越點、心率異變率、分段、分類、癲癇預測.
(5) Epileptic Seizure Prediction Based on Zero-Crossing Interval Features of Scalp EEG Signals Student: Bo-Jhong Chen. Advisor: Chen-Sen Ouyang. Department of Information Engineering I-Shou University. Abstract In this study, we propose an approach of epileptic seizure prediction by combining the zerocrossing intervals of scalp EEG signals and heart rate variability analysis. In this study, we propose an online fuzzy extreme learning machine based on the recursive singular value decomposition for improving the fuzzy extreme learning machine, and therefore making it applicable for solving online learning problems in classification or regression modeling. Like the original fuzzy extreme learning machine, our approach randomly assigns values to weights of fuzzy membership functions in the hidden layer. However, the Moore-Penrose pseudoinverse is replaced with the recursive singular value decomposition for calculating the optimal weights corresponding to the output layer. Compared with the original fuzzy extreme learning machine, our approach is applicable for the online learning of classification or regression modeling and produces the same modeling accuracy. Moreover, our approach possesses the better modeling accuracy and stability than the other approach, namely, online sequential learning algorithm.. Keywords: Positive zero-crossing, Zero-crossing, HRV, Seizure prediction.
(6) 致謝 在研究所三年裡學習了非常多，不管是學術方面還是程式方面都有許多 新的理解與見識。感謝歐陽振森老師三年來悉心的教導，在研究遇到困難 時給予許多幫助，也特別感謝口試委員吳宗慶老師與江景泰老師在論文上 的指導，經過這些學習順利結束碩士生涯。. 研究所三年特別感謝實驗室同儕的幫助:陳旻緯、林衢宏、陳奕銘、黃俊 翰、王永在、錢士瑞、張誌晟、鄭育淵、林建明、高子晉、許力元、林騰 宇、周台亮、蔡宗恩，大家互相幫忙互相學習，除此之外感謝卓有材先生 在行政上的幫助。. 最後非常感謝家人支持，讓我可以把碩士學位順利念完，並給予許多學 習上的建議。.
(7) 目錄 圖目錄 ....................................................................................................................................... iii 表目錄 ....................................................................................................................................... iv 第一章 緒論 .............................................................................................................................. 1 一、研究背景與動機 ........................................................................................................ 1 二、研究目的 .................................................................................................................... 3 三、論文架構 .................................................................................................................... 4 第二章 文獻探討 ...................................................................................................................... 5 一、腦波雜訊 .................................................................................................................... 6 二、癲癇偵測 .................................................................................................................... 7 (一) 時間域方法 ........................................................................................................ 7 (二) 頻率域方法 ........................................................................................................ 8 三、癲癇預測 .................................................................................................................... 9 (一) 時間域方法 ........................................................................................................ 9 (二) 小波域方法 ...................................................................................................... 11 (三) 主成分分析與獨立成分分析法 ...................................................................... 12 四、癲癇發作預測應用 .................................................................................................. 13 五、分類方法 .................................................................................................................. 14 (一) 隨機決策森林 .................................................................................................. 14 (二) 單純貝氏分類器 .............................................................................................. 14 (三) 最近鄰居法 ...................................................................................................... 15 (四) 支持向量機 ...................................................................................................... 15 (五) 線性識別分析 .................................................................................................. 15 第三章 研究方法 .................................................................................................................... 18 第四章 實驗結果 .................................................................................................................... 23 i.
(8) 一、實驗一 ...................................................................................................................... 26 二、實驗二 ...................................................................................................................... 34 三、實驗三 ...................................................................................................................... 35 第五章 研究結論與展望 ........................................................................................................ 47 參考文獻 .................................................................................................................................. 48. ii.
(9) 圖目錄 圖一. 肌肉雜訊 ........................................................................................................ 2. 圖二. [4] 利用光體積變化描述訊號之去除雜訊後結果 ..................................... 6. 圖三. [3] Zandi et al. 基於正零越點區間分析架構圖 ........................................ 10. 圖四. [20] Aarabi 癲癇發作預測特徵 ................................................................. 10. 圖五. [1] 癲癇偵測應用流程圖 ........................................................................... 13. 圖六. 流程圖 .......................................................................................................... 19. 圖七. TINN 示意圖 ............................................................................................... 22. 圖八. ROC 示意圖 ................................................................................................. 27. iii.
(10) 表目錄 表一. 癲癇預測與癲癇偵測方法整合表格 .......................................................... 16. 表二. 時域特徵 ...................................................................................................... 22. 表三. PZCIF 與 IPZCIF 的資料 .......................................................................... 24. 表四. 10 秒 epoch 訓練結果之平均評估指標 ..................................................... 28. 表五. 10 秒 epoch 測試結果之平均評估指標 ..................................................... 29. 表六. 20 秒 epoch 訓練結果之平均評估指標 ..................................................... 30. 表七. 20 秒 epoch 測試結果之平均評估指標 ..................................................... 31. 表八. 30 秒 epoch 訓練結果之平均評估指標 ..................................................... 32. 表九. 30 秒 epoch 測試結果之平均評估指標 ..................................................... 33. 表十. 每種特徵 KS 檢定 p 值 ............................................................................... 34. 表十一. NB 各個患者測試結果之評估指標 ....................................................... 35. 表十二. RF 各個患者測試結果之評估指標 ........................................................ 37. 表十三. LDA 各個患者測試結果之評估指標 ..................................................... 39. 表十四. SVM 各個患者測試結果之評估指標 .................................................... 41. 表十五. KNN 各個患者測試結果之評估指標 .................................................... 43. 表十六. 所有分類器測試結果之平均評估指標 .................................................. 45. iv.
(11) 第一章 緒論 一、 研究背景與動機 癲癇為一種神經系統疾病，在醫學研究中發現罹患癲癇的 原因有可能是腦部病變 或者腦部遭到外力傷害所影響，發作時會產生不規則的抽蓄，這些抽蓄是長時間抽蓄， 或者自身不會察覺的抽蓄。癲癇是因為大腦內生物電流不規則的放電或腦皮質活動太活 躍所造成，當前要確認癲癇發作，一般是透過腦波圖檢查，經由有經驗的醫師人工長時 間的觀察判斷是否有癲癇。腦電活動可分為 4 個頻帶成分:δ 波、θ 波、α 波和 β 波，這 些頻率都很低，範圍在 0.5hz 到 40hz 之間，患者大多以 3hz 的棘慢綜合波為主，換句話 說其大部分有意義的成分都是低頻訊號，然而透過人工判斷癲癇發作必須耗費許多時間。 我們透過對癲癇腦電圖的分析發現，在癲癇腦波中，大致可分為三個階段，一為正常狀 態(inter-ictal)、二為發作前(pre-ictal)、三為發作中(ictal)，透過這三種狀態希望進行自動 癲癇的判斷且進一步的進行癲癇發作預測。癲癇發作預測最好能夠同時具備幾個條件， 一是便利性，讓患者可以正常生活，在即將發作時能夠提早用藥、就醫等等，二是即時 性，若不具有即時性，當患者發作必須花費過長的時間才能判斷出來，可能會延誤醫療 照護的時間，三是癲癇發作預測的準確度，具備這三點的癲癇發作預測較能夠用於現實 生活中。目前測量腦波的方式大致分成侵入式、半侵入式以及非侵入式，侵入式與半侵 入式，它必須將電極植入灰質或灰質到腦殼之間，藉以測量腦波訊號，測量的品質較好 且較不容易受到雜訊的干擾，但是測量相當不方便，非侵入式的腦波儀器則是將電極黏 貼至頭皮藉以測量腦波訊號，訊號的品質較差，容易受到雜訊的干擾，但是測量便利， 使用者不需要在固定位置可以隨時測量。然而這些產生的雜訊會干擾有意義的腦波訊號， 例如眨眼雜訊、眼動雜訊、肌肉雜訊，如圖一所示肌肉雜訊，從圖一中發現雜訊發生時 是有固定的頻率。當前的文獻中發現要減少雜訊干擾的方法大致上有兩個方向，一是將 腦波雜訊訊號去除，將腦波訊號透過其他資訊的輔助確認雜訊的區段將雜訊部分去除， 例如獨立成分分析[10]、光感測器測量光體積[4]。其缺點必須將訊號資料做處理再加以 1.
(12) 分析，來進行去除，所花費的時間較長，用於癲癇發作預測上較為不理想，二是減少雜 訊的干擾，透過特定的演算法，讓雜訊與非雜訊的腦波訊號差異性變小，讓雜訊較不會 干擾重要的腦波資料，其優點能夠減少去除雜訊的時間，讓使用者隨時可以進行腦波測 量。在癲癇預測方面，由於腦波訊號因人而異，所以在面對不同病人上面癲癇預測的準 確度也不同，所以希望能夠找較好的方法來提升癲癇預測的準確度。. 圖一. 肌肉雜訊. 2.
(13) 二、 研究目的 如果想要讓癲癇患者能夠便利的測量腦波訊號以利於癲癇發作預測，必須選擇非侵 入式的腦波測量儀器，但非侵入式的腦波測量儀器在測量時容易產生雜訊。這些雜訊會 使癲癇發作預測的準確度下降，所以必須做雜訊處理，然後不希望影響癲癇預測發作的 時間，當前有學者提出從腦波取正零越點區間(positive zero-crossing-interval;PZCI)當作資 料，經由直方統計分析，找到癲癇發作的特徵，零越點區間它的優點可以讓雜訊影響變 小[3]，缺點是對於部分患者效果較差，因此希望能夠使用更多種不一樣的特徵作分析。. 3.
(14) 三、 論文架構 本論文共分成五個章節，第一章介紹關於腦波與癲癇的基本知識，第二章說明癲癇 發作預測的困難與雜訊處理的介紹，第三章說明本論文使用的方法，包含資料庫來源、 資料輸入，第四章實驗結果以多種分段與分類器並與其他方法作比較確認癲癇預測效果 能夠提升，第五章對於本論文做一個總結。. 4.
(15) 第二章 文獻探討 過去文獻中有相當多癲癇預測與癲癇偵測的方法，大致上分為頻率域、時域、小波 域、獨立成分分析、主成分分析相關之方法。然而在進行癲癇偵測或癲癇發作預測前， 必須將資料做前置處理，如果不將雜訊去除會影響後續癲癇偵測或癲癇發作預測的準確 度，近年來腦波雜訊處理的研究相當多，本章節將介紹過去各種關於癲癇發作預測與癲 癇偵測的方法，以下所有方法的靈敏度(Sensitivity)、錯誤預警率、以及準確性(Accuracy) 可由以下算式定義[26]:. Sensitivity =. Accuracy =. 𝑇𝑃 × 100% 𝑇𝑃 + 𝐹𝑁. (1). 𝑇𝑃 + 𝑇𝑁 × 100% 𝑇𝑃 + 𝐹𝑁 + 𝑇𝑁 + 𝐹𝑃. (2). 𝐹𝑃 × 100% 𝑇𝑃 + 𝐹𝑃. (3). 錯誤預警率 =. TP 代表樣本被判斷為癲癇發作前，實際上確實是癲癇發作前的樣本，FP 代表樣本被判 斷為癲癇發作前，實際上不是癲癇發作前的樣本，TN 代表樣本被判斷為一般狀態實際 上確實為一般狀態的樣本，FN 代表樣本被判斷一般狀態，實際上不是一般狀態的樣本。. 5.
(16) 一、 腦波雜訊 在第一章介紹到腦波測量時遇到的雜訊，這些雜訊包含肌肉雜訊、眼動雜訊等雜訊， 種類相當多。近年來關於腦波雜訊處理的研究非常多，雜訊的處理大致分為去除雜訊與 減少雜訊干擾等方向;不去除腦波雜訊方面 Zandi et al. [3]在其研究中取正零越點區間 (positive zero-crossing-interval;PZCI)做癲癇預測，在過去文獻中發現𝑃𝑍𝐶𝐼能夠有效減少 雜訊對結果的干擾，首先先取腦波中的正零越點(positive zero-crossing)，並以 15 秒進行 分段，並計算每段分段的正零越點的區間，一段正零越點區間可由以下算式定義[3]: 𝑃𝑍𝐶𝐼 = {𝐼𝑙 |𝐼𝑙 = 𝑇𝑙 + 1 − 𝑇𝑙 }. (4). 𝑇𝑙 為第 l 個正零越點，l=1,2,3,…,L，L 為整段腦波的正零越點總共的數量，𝑃𝑍𝐶𝐼為一段 正零越點區間，另一種作法則是將腦波雜訊去除;唐雅雯等人[4]在其研究，使用光體積 變化去除腦波雜訊的方法，其透過適當配置的光感測器擷取光體積變化描記圖訊號 (photoplethysmography;PPG)，藉此可以提取出眼動與脈波訊號，進一步將雜訊從腦波訊 號中濾除，光體積變化描述訊號屬於一種非侵入式光學測量方法[4]，主要原理是利用光 感元件，紀錄光在血管內的變化，以判斷血液流動的方法，透過相關經驗模態分解法， 透過萃取、關連與重建方式取得較無雜訊的腦波訊號。實驗結果如圖二[4]所示，左邊的 圖是尚未去除雜訊的腦波原始訊號，右邊是經由光體積變化去除腦波雜訊後的訊號。. 圖二. [4] 利用光體積變化描述訊號之去除雜訊後結果. 6.
(17) 二、 癲癇偵測 (一) 時間域方法 為了利用時域分析法偵測癲癇發作，首先必須分析腦電圖區間(EEG epochs)的離散 時間序列，利用這些時間序列來做癲癇特徵的擷取，以下將介紹過去研究利用時域分析 方法所作的癲癇預測。 Runarsson et al. [11]提出的簡易時域之癲癇偵測方法[2]，這個方法主要基於追蹤連續 峰值和最小值的訊號段，以直方統計對幅度差和時間間隔的峰值及最小值之間作統計， 這個特徵包含有癲癇發作以及沒有癲癇發作的腦波區間，最後在使用支持向量機 (support vector machines ; SVM)分類這些資料，這個方法癲癇偵測的平均 Accurac 為 90%， 除了直方統計之外，也能透過分析腦波訊號能量大小發現癲癇。YOO et al. [12]提出取子 頻訊號的能量特徵，他使用七個帶通濾波器於 8 個腦電波頻道，頻率範圍為 2 到 26hz 取得子頻訊號，最後利用 SVM 對頻帶作分類取得癲癇特徵，Accuracy 為 84.4%，這個 方法是透過癲癇發作與癲癇未發作時的能量作分析來擷取癲癇發作特徵的時域分析方 式，此方法相較於原本取整段訊號的能量的方式更能夠得到更多離散的特徵向量，除上 述方法之外，也能將腦波訊號資料經過統計方法，將時域的訊號資料透過統計方法找出 特徵，做癲癇的偵測。Dalton et al. [13]開發一套體感裝置，它基於統計運算過後的時域 訊號進行監測與檢測癲癇是否發作，這些統計運算包含均值、變異數、亂度等等……， 之後利用動態時間規劃對訊號區段中的樣本訊號及被測試的訊號之間做校準以取得其 自相關性，這個方法的 Accuracy 為 91%。. 7.
(18) (二) 頻率域方法 癲癇偵測可以透過頻率域方法偵測，將訊號透過傅立葉轉換，訊號由時域轉為頻 率域，利用強度(magnitude)和相位(phase)做癲癇偵測的判斷，以下將介紹過去利用頻率 域方法做癲癇預測之研究。 首先介紹利用相位進行癲癇偵測之方法，Rana et al. [14]提出一種利用頻率域方法的 癲癇預測方法，他們利用相位斜率指標(phase-slope index; psi)分析電極間的因果關係， 通過 psi 找癲癇發作與未發作的電極活動大小，其實驗經由五名病患，時間長度為 258 小時，共發作 47 次，這個方法成功偵測全部的發作，測試的 Accuracy 為 100%，結果 表示該訊號有強烈的活動就能被偵測到;除此之外 Khamis et al. [15]利用相位微分找到瞬 時頻率將其用來做癲癇發作偵測，經過收集癲癇發作時與未發作的腦電訊號資料，然後 透過濾波器找出電極的電位差，經由測量出來的頻譜大小判斷是否有癲癇發作，將這些 頻譜作分類，這個方法的癲癇預測 Accuracy 為 91%，由於腦波訊號是複雜的非平穩與 非線性訊號，不容易經由固定的數學模型來描述這些非線性訊號特徵。Acharya et al. [16] 提出一個改進方法用於偵測腦波訊號的正常(normal)、發作前(pre-ictal)、發作中(ictal)三 種區間內的非線性訊號，他將腦波訊號透過四種相位亂度特徵選取，再將特徵放入多種 分類器，透過這些亂度特徵與分類器，更有效的提取非線性的特徵，並於研究中發現搭 配模糊分類器效果最好，分類這些非線性特徵的 Accuracy 達到 98%，能夠有效的將發 作與未發作的特徵分類。. 8.
(19) 三、 癲癇預測 (一) 時間域方法 Zandi et al. [3]其對腦電波訊號片段取零越率(zero-crossing rate)，開發一個的癲癇預 測方法，其架構流程如圖三所示，首先他建立許多不同的視窗區間統計圖並且選擇特定 的直方圖組距(bins)，並將腦波資料分成正常狀態(inter-ictal)和發作前(pre-ictal)等發作狀 態，然後將這兩個狀態作為比較的直方圖透過貝葉思高斯混合模型分群，透過分類之後 找到癲癇發作的特徵值，最後將此特徵值當作門檻，以發出癲癇發作警報，這個方法測 試於 561 個小時共包含 20 位病人及總共 86 次的癲癇發作，最後達到的預測成功率為 88.34%。Aarabi et al. [20]利用更多種的特徵來取癲癇發作特徵，如圖四所示，先將訊號 透過濾波器範圍為 0.5 到 100Hz，之後將訊號以 10 秒不重疊做分段，用於關聯維度，相 關熵、李亞普諾夫指數(Lyapunov exponent)、李亞普諾夫複雜度(Lempel-Ziv complexity) 以及非線性獨立做特徵分析，其癲癇預測率為 90%，過去研究中發現大部分的癲癇發作 預測方法容易受到生理週期的影響。Schelter et al. [21]提出了一種改善錯誤預警率的方 法，他們將輸出的值經過平均關聯演算法(mean phase coherence; MPC)，減少生理週期導 致的錯誤預警機率，此方法減少了 40%的錯誤預警率。. 9.
(20) 圖三. [3] Zandi et al. 基於正零越點區間分析架構圖. 圖四. [20] Aarabi 癲癇發作預測特徵. 10.
(21) (二) 小波域方法 小波域訊號分析可用於癲癇偵測更可延伸到癲癇預測上，利用發作前的資料來做癲 癇預測，以下介紹過去文獻關於小波域的癲癇域發作預測方法，Hung et al. [17]設計基於 小波轉換癲癇預測演算法的超大型積體電路(very large scale integration; VLSI)，利用關聯 維度(correlation dimension; DC)與相關係數，這個系統包含運算功能與控制單元，運算功 能單元包含，小波轉換、相關性、維度、關聯維度與癲癇預測。小波轉換分解腦波訊成 四個子帶(0 to 63 hz, 64 to 128 hz, 0 to 1 hz, and 32 to 64 hz)，利用相關維度和相關係數於 相位空間計算癲癇發作預測特徵。他們使用 IEEG data 的資料庫，這個資料庫共包含十 一個病人取樣頻率為 256hz，這個方法平均預測 Sensitivity 達到 87%，Rojas et al. 他們 則是利用大腦的活躍度當作發作判斷，低頻取 delta: 0.5 to 33 hz、 theta: 3 to 8 hz，高頻 取 low gamma: 40 到 70 hz、 high gamma: 70 到 140 hz，這個方法的平均預測 Sensitivity 為 98%，錯誤預警率為 1.84/hour。Wang et al. [22]使用由小波轉換後的腦波訊號做赫斯 特指數、關聯維度、李亞普諾夫指數(Lyapunov exponent)及亂度特徵運算，之後利用近 似 最 鄰 近 (K-nearest neighbor algorithm: KNN)進 行 特 徵 分 類 ， 找 到 癲 癇 發 作 預 測 的 門 檻 ， 最 佳 預 測 Sensitivity 為 73%。 Chiang et al. [18]開發增進癲癇發作預測特 徵的訓練速度，他們的方法基於 Mirowski et al. [19]，他們利用非線性相依性、交互相關 性(cross-correlation)、李雅普諾夫指數(Lyapunov exponent)，如果連續兩段訊號都被判斷 為發作前時則對資料做後置處理，以減少錯誤的警報率，他們的預測 Accuracy 為 74.2% 並提高 29%的訓練速度。Soleimani et al. [23]提出簡易且快速檢驗發作前的方法，主要他 們同時利用時間域與小波域特徵，並利用類神經模糊系統合併這些特徵，取得癲癇發作 預測特徵，此方法的 Accuracy 達到 99.52%，錯誤預警率為 0.1417/小時，由此發現使用 時域特徵與小波域特徵可能可以提升檢測癲癇的效率。Costa et al. 提出能夠提高癲癇預 測效率的方法，他們選擇十四種時域與小波域的特徵，透過類神經網路分類，他們的平 均 Sensitivity 達到 83%。. 11.
(22) (三) 主成分分析與獨立成分分析法 主 成 分 分 析 (principal components analysis; PCA) 與 獨 立 成 分 分 析 (independent components analysis; ICA)近年來有許多相關的研究。PCA 利用正交變換把訊號轉換到另 一個平面座標，進而降低資料的維度，用在癲癇發作預測上面，可以有效的減少特徵量， 然後透過 ica 將需要的資料獨立出來，以下將介紹其他學者提出的相關方法。 Miri et al. [24]提出一種基於混沌理論與非線性動態癲癇發作預測方法，這個方法基本九 個步驟，從六個頻道取原始腦波資料、透過濾波器降噪、將訊號每五分鐘切割成一個區 塊、訊號經過 pca 分解、第一次 pca 時計算零越率、第二次基於上次計算的零越率、製 作 Poincare' Map、做特徵擷取，最後得到發作特徵。這個方法的 Sensitivity 為 86.6%， 錯誤預警率為 0.067/小時，另外 Williamson et al.[25]則是計算腦波訊號的空間延遲相關 性與協方差矩陣特徵，並搭配 SVM 做分類，這個方法的 Sensitivity 為 85.5%，錯誤預警 率為 0.033/h。. 12.
(23) 四、 癲癇發作預測應用 癲癇偵測應用，Ramgopal et al. [1]提出一篇關於醫療照護之循環系統，其架構如圖 五[1]所示。首先這個系統提供一個活動式的反饋式循環系統，經由穿戴式的裝置，如 智慧手表、攜帶式的腦波耳機，進行自動或半自動監控病人的生理訊息，再來將資料 透過無線網路送到個人電腦或其他運算裝置上面，最後在發現異常狀況時，自動啟動 救護程序，如自動叫救護車或通知家人等救護行為，減少病人延誤就醫的風險。. 圖五. [1] 癲癇偵測應用流程圖. 13.
(24) 五、 分類方法 本論文採用監督式的學習方法，從訓練資料中創建一個模型，經由這個模型進行實 際上的推測，訓練資料是輸入的資料和預期的輸出，輸出可以是其中一個分類的標籤或 是一個連續值，以下介紹隨機決策森林(random forest;RF)、單純貝氏分類器(naive bayes classifier;NB) 、 最 近 鄰 居 法 (k-nearestneighbor;KNN) 、 支 持 向 量 機 (support vector machine;SVM)、線性識別分析(linear discriminant analysis;LDA)。. (一) 隨機決策森林 隨機決策森林[27]是隨機的方式產生很多決策樹所組成的方法，每一顆決策樹之間 沒有關聯，當一個輸入進入時讓所有決策樹分別進行判斷類別，依照每顆樹挑中的類別 數量判斷類別。隨機森林可以處理大量的輸入變數並且對於很多種的資料可以產生高精 準度的分類器，對於不平衡資料集可以平衡其誤差。. (二) 單純貝氏分類器 單純貝氏分類器[28]基於貝氏定理透過機率判斷並假設各樣本間互相獨立，演算法 比較簡單。在樣本數較少時由於假設樣本間獨立，所以樣本數少的時候依然能處理各種 分類的組合，但其假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，所 以會影響正確分類，且在樣本個數比較多或者樣本之間相關性較大時，分類效率比不上 決策樹模型。. 14.
(25) (三) 最近鄰居法 最近鄰居法[29]為無母數的統計方法，其採用向量空間模型來分類，相同類別的樣本， 樣本之間的相似度高可藉由計算與已知類別的相似度，來找出未知類別可能的分類。最近鄰 居法在多分類問題效果極佳並且簡單理解容易實現，但因為必須對每一個需要分類的資料 計算樣本的距離，所以計算較耗時。. (四) 支持向量機 支持向量機[30]常用於分類與迴歸分析中，其特點是能夠同時最小化經驗誤差與最 大幾何邊緣區，其將向量映射到更高維的空間內，在裡面建立多個超平面，找到一個超 平面有效將資料分群分類。支持向量機的分類效果相當好，只利用一部分子集來訓練模 型，所以不需要使用太多的記憶體，缺點當特徵空間大的時候，邏輯迴歸的效能不好， 資料如果缺失時結果不好。. (五) 線性識別分析 線性識別分析[31]將資料透過投影的方法投影到更低維度的空間中，相同類別的點 在投影後的空間會更接近，其優點是能夠使投射後的類別間發散矩陣最大化，並且同時 使相同類別的矩陣最小化，缺點是不適合對飛高斯分布樣本進行降維，類別的依賴方差 不是均值的時候，降維效果不好。. 15.
(26) 表一. 作者 Zandi et al.. 域與用途. 癲癇預測與癲癇偵測方法整合表格. 腦波資料庫. 時域，癲癇 561 小時二十位 發作預測. 病患共 86 次發. 分類器. 效果. 高斯支持向量. Sensitivity 88.34%. 機分類器. 錯誤預警率 0.155/小. 作 Runarsson et al.. Yoo et al.. 時 支持向量機. Sensitivity 90%. MIT 資料庫. 支持向量機. Accuracy 84.4%. 時域，癲癇. 共 21 次發作的. 模板匹配. Sensitivity 91%. 發作偵測. 資料庫. 頻域，癲癇. 258 小時. 無. Accuracy 為 75.8%. 發作偵測. 共 47 次發作. 時域，癲癇. 作者記錄的資. 發作偵測. 料. 時域，癲癇 發作偵測. Dalton et al.. Rana et al. 錯誤預警率為 0.09/ 小時. Khamis et al.. 頻域，癲癇. 12 位病人. 鮑威爾方法. Sensitivity 91% 錯誤預警率 0.02/小. 發作偵測. 時 Acharya et al. 頻域，癲癇. 作者記錄的資. 支持向量機. 發作偵測. 料. 機率神經網路. 平均 Accuracy 98.1%. 貝氏分類器. Aarabi et al.. 時域，癲癇. iEEG 資料庫. 無. 平均 Sensitivity 79.9%. 發作預測. 平均錯誤預警 0.17/小時. 16.
(27) Schelter et al.. Hung et al.. 時域，癲癇. 1400 小時共. 發作預測. 172 次發作. 小波域，癲 Freiburg 資料庫. Sensitivity 60%. 無. Sensitivity 87% 錯誤預警率 0.24/小. 癇發作預測. 時 Rojas et al.. Wang et al.. 小波域，癲. 3400 小時共. 癇發作預測. 267 次發作. 小波域，癲. Changhai. 無. Sensitivity 100%. 支持向量機. Sensitivity 98%. 癇發作預測 Hospital 資料庫 Chiang et al.. Soleimani et al.. 小波域，癲. CHB-MIT 資料. 癇發作預測. 庫. 小波域，癲 Freiburg 資料庫 癇發作預測. 錯誤預警率 6% 支持向量機. Sensitivity 74.2%. 模糊類神經網. 預測率 99.52%. 路. 錯誤預警率 0.1417/ 小時. Costa et al.. 小波域，癲 Freiburg 資料庫 癇發作預測. Miri et al.. 主成分分. 模糊類神經網. Sensitivity 96%. 路 Freiburg 資料庫. 無. Sensitivity 86.6%. Freiburg 資料庫. 支持向量機. Sensitivity 85.5%. 析，癲癇發 作預測 Williamson et. 主成分分. al.. 析，癲癇發. 錯誤預警率 0.033/小. 作預測. 時. 17.
(28) 第三章 研究方法 本論文基於 Zandi et al. [3]使用正零越點區間並著重於找出更適用部分病人的特徵， 本研究所使用的癲癇腦波資料庫為 CHBMIT，總共有 22 個病人(男性為 5 人，年齡為 3 到 22 歲;女性為 17 人，年齡為 1 到 19 歲)，雜訊處理方法參考過去癲癇預測文獻[5]，從 癲癇腦波訊號中取出正零越點區間(positive zero-crossing interval;PZCI)，然後計算其心律 變異分析(heart rate variability;HRV)的時域特徵，癲癇預測的分類方法則利用五種分類方 法，分別為隨機決策森林、貝氏分類器、最近鄰居法、支持向量機、線性識別分析進行 分類，確定預測結果優劣。. 18.
(29) 圖六. 流程圖. 19.
(30) 研究步驟如圖六所示，共分為八個步驟，步驟一是輸入資料的部分，將有癲癇發作 的腦波資料讀入，步驟二將時間訊號以固定大小的時間視窗分出多個 epoch，以本研究 分別分出 10 秒、20 秒、30 秒三種固定大小的時間視窗下去分出 epoch，步驟三將每段 epoch 做去趨勢化(detrending)，步驟四將資料分成發作前與正常狀態，發作前指的是患 者每次發作前 300 秒，若兩次發作前的資料重疊則只取前一次發作前的資料，將兩次發 作視為一次發作，正常狀態則是取每次發作之後 15 分鐘並距離下一次發作前一個小時 範圍內的資料，並依照發作次數每次取 3200 秒的正常狀態資料，步驟五將所有的 epoch 分別計算正零越點區間，步驟六將每段 epoch 的腦波資料進行 HRV 時域特徵的計算， HRV 的時域特徵大致有兩種，一種是直接對所有區間作分析，另一種則是相鄰的區間變 化作分析，所有的特徵分別為 SDNN、SDNN index、rMSSD、pNN50、TINN、IRRR、 MADRR、SDSD、HRVi，這些特徵的定義如下: 標準差類別的特徵: 𝑆𝐷𝑁𝑁為所有區間的標準差，可由以下算式定義: 𝑁. 1 2 𝑆𝐷𝑁𝑁 = √ ∑(𝑝𝑧𝑐𝑖𝑗 − 𝑝𝑧𝑐𝑖) 𝑁−1. (5). 𝑗=1. 這裡的 N 代表所有的正零越點區間，𝑝𝑧𝑐𝑖代表一個正零越點區，SDNN index:為每 5 分 鐘的標準差總和的平均，rMSSD:對區間的連續變化做均方根，可由以下算式定義: 一個正零越點區間的連續變化如下所示 ∆pzci=pzci𝑗+1 − 𝑝𝑧𝑐𝑖𝑗. (6). 承接上式連續區間的標準差如下列所示. 𝑁. 1 𝑆𝐷𝑆𝐷 = √ ∑(∆𝑝𝑧𝑐𝑖𝑗 − ∆𝑝𝑧𝑐𝑖)2 𝑁−1 𝑗=1. 20. (7).
(31) 由上式可知連續區間的均方根(Root Mean Square)，如下列所示. 𝑁. 1 𝑟𝑀𝑆𝑆𝐷 = √ ∑(∆𝑝𝑧𝑐𝑖𝑗 )2 𝑁−1. (8). 𝑗=1. pNN50: 相鄰的兩個正常零越點 超過 50 毫秒的個數，心率異變率三角指標 (HRV triangular index;HRVi):將𝑝𝑧𝑐𝑖總數除以最大組距的數量， ，TINN: TINN 所有心跳間期 的長方圖的最小平方誤差的三角基準寬度，如圖七所示，Y 為數量最多的零越點區間數 量，TINN=N-M，HRVi=𝑝𝑧𝑐𝑖總數除以 Y，IRRR: ∆pzci的第一分位數到第三分位數的長 度，MADRR: ∆pzci的中位絕對離差(Median of the Absolute)，如下所示:. 𝑀𝐴𝐷𝑅𝑅 = 𝑝𝑧𝑐𝑖𝑗 − 𝑝𝑧𝑐𝑖 ̃. (9). 這裡的𝑝𝑧𝑐𝑖𝑗 為∆pzci時間序列裡的值，𝑝𝑧𝑐𝑖 ̃為∆pzci時間序列內的中位數。 步驟七利用柯爾莫諾夫-斯米爾諾夫檢驗(two sample kolmogorov–smirnov test;2-kst)， r，對三種分段類別內的 HRV 特徵作檢驗，找出發作前與正常狀態差異較為明顯的特徵， 2-kst 在 i 個特徵時定義如下: 𝐾𝑆𝑖 = 𝑚𝑎𝑥|𝑃𝑖𝑛𝑡 (𝜑𝑖) − 𝑃𝑝𝑟𝑒(𝜑𝑖)|. (10). 這裡的 Pint (φi)、Ppre (φi)當作經驗累積分佈，透過 2kst 我們可以得到一個 p 值，利用這個 p 值判斷哪一個特徵的差異性比較大，將差異性較小的特徵剃除，本文只保留 p 值小於 0.01 的特徵，步驟八選取每種分段類別剩下的資料利用隨機決策森林(random forest;rf)、 貝氏分類器(naive bayes classifier;nb)、最近鄰居法(k-nearestneighbor;knn)、支持向量機 (support vector machine;svm)、線性識別分析(linear discriminant analysis;lda)、線性回歸 (linear regression;lr)等六種分類器，每種分段類別的發作前與正常狀態作分類，從中找出 最好的分類的結果。. 21.
(32) 圖七. TINN 示意圖. 表二. 時域特徵. 特徵名稱. 說明. SDNN. 正常心跳區間的標準差. SDNN INDEX. 計算每五分鐘的正常心跳標準差，再算出平均的標準差. SDANN. 所有區間平均的標準差. RMSSD. 正常區間差值平方和的均方根. pNN50. 相鄰的兩個正零越點超過 50 毫秒的個數. TINN. 所有區間直方圖的最小平方誤差基準寬度. SDSD. 相鄰兩心跳區間的差異標準差. IRRR. 一個區間的第一分位數和第三分位數間隔的長度. MAD. 取出每個區間的中位絕對離差 22.
(33) 第四章 實驗結果 實驗中，我們使用 chb-mit 的腦波資料庫[6][7]，其中包含 22 個病人，本研究採 用其中的十一個病人進行測試，選取範圍分別為 4 次(包含 4 次)發作以下的取五位， 發作 4 次以上的取 6 位，每個病人包含 22 個電極，本實驗主要比較 Zandi et al. [3] 方法，以及基於 Zandi et al. [3]方法改良方法作比較，以下 Zandi et al. [3]方法稱為正 零越點區間特徵(positive zero-crossing interval feature;PZCIF)，本研究方法為改良式 正零越點區間(improved positive zero-crossing interval feature;IPZCIF)，訓練與測試取 的筆數依照發作次數有異，兩次發作前 1 次發作當訓練資料後 1 次發作當測試資料， 三次發作前 2 次發作當訓練資料後 1 次發作當測試資料，四次發作前 2 次發作當訓 練資料後 2 次發作當測試資料，五次發作發作前 3 次發作當訓練資料後 2 次發作當 測試資料，七次發作前 5 次發作當訓練資料後 2 次發作當測試資料，上述於表 3 中， 以患者編號 CHB04 為例，方法 IPZCIF，epoch 秒數 10 秒為例，發作次數 4 次，正 常狀態筆數 1416，發作前筆數 120，訓練與測試分別為 718 筆。. 23.
(34) 表三. PZCIF 與 IPZCIF 的資料. 患者. epoch. 發作. 正常. 發作前. 訓練. 測試. 編號. 秒數. 次數. 狀態筆數. 筆數. 筆數. 筆數. CHB04. 10. 4. 1416. 120. 718. 718. IPZCIF. CHB04. 20. 4. 656. 60. 358. 358. IPZCIF. CHB04. 30. 4. 436. 40. 238. 238. IPZCIF. CHB05. 10. 5. 1645. 150. 1077. 718. IPZCIF. CHB05. 20. 5. 820. 75. 537. 358. IPZCIF. CHB05. 30. 5. 545. 50. 357. 238. IPZCIF. CHB06. 10. 7. 2277. 210. 1436. 1051. IPZCIF. CHB06. 20. 7. 1136. 105. 716. 525. IPZCIF. CHB06. 30. 7. 759. 70. 476. 349. IPZCIF. CHB07. 10. 3. 987. 90. 718. 359. IPZCIF. CHB07. 20. 3. 492. 45. 358. 179. IPZCIF. CHB07. 30. 3. 327. 30. 238. 119. IPZCIF. CHB08. 10. 5. 1645. 150. 1077. 718. IPZCIF. CHB08. 20. 5. 820. 75. 537. 358. IPZCIF. CHB08. 30. 5. 545. 50. 357. 238. IPZCIF. CHB09. 10. 4. 1316. 120. 718. 718. IPZCIF. CHB09. 20. 4. 656. 60. 358. 358. IPZCIF. CHB09. 30. 4. 436. 40. 238. 238. IPZCIF. CHB10. 10. 7. 2303. 210. 1795. 718. IPZCIF. CHB10. 20. 7. 1148. 105. 895. 358. IPZCIF. CHB10. 30. 7. 763. 70. 595. 238. IPZCIF. CHB11. 10. 2. 658. 60. 359. 359. IPZCIF. 24. 方法.
(35) CHB11. 20. 2. 328. 30. 179. 179. IPZCIF. CHB11. 30. 2. 218. 20. 119. 119. IPZCIF. CHB20. 10. 6. 1974. 180. 1436. 718. IPZCIF. CHB20. 20. 6. 984. 90. 716. 358. IPZCIF. CHB20. 30. 6. 654. 60. 476. 238. IPZCIF. CHB23. 10. 4. 1316. 120. 718. 718. IPZCIF. CHB23. 20. 4. 656. 60. 358. 358. IPZCIF. CHB23. 30. 4. 436. 40. 238. 238. IPZCIF. CHB24. 10. 11. 3619. 330. 2513. 1436. IPZCIF. CHB24. 20. 11. 1804. 165. 1253. 716. IPZCIF. CHB24. 30. 11. 1199. 110. 833. 476. IPZCIF. CHB04. 15. 4. 904. 80. 492. 492. PZCIF. CHB05. 15. 5. 1130. 100. 738. 492. PZCIF. CHB06. 15. 7. 1130. 120. 738. 492. PZCIF. CHB07. 15. 3. 678. 60. 492. 246. PZCIF. CHB08. 15. 5. 1130. 100. 738. 492. PZCIF. CHB09. 15. 4. 904. 80. 492. 492. PZCIF. CHB10. 15. 7. 1582. 140. 1230. 492. PZCIF. CHB11. 15. 2. 452. 40. 246. 246. PZCIF. CHB20. 15. 6. 1356. 120. 984. 492. PZCIF. CHB23. 15. 4. 904. 80. 492. 492. PZCIF. CHB24. 15. 11. 2486. 220. 1968. 768. PZCIF. 25.
(36) 一、 實驗一 實驗一將會以隨機決策森林、貝氏分類器、最近鄰居法、支持向量機、線性識別 分析，以這些分類器找到效果最好的 epoch，所有的 epoch 都會進行 10 次的交叉驗 證，本研究以 Sensitivity、Specificity、Kappa、Accuracy、ROC 作為評估指標，各個 評估指標的定義如下式所示:. 𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 =. 𝑝0 =. 𝑝𝑒 =. 𝑇𝑁 𝐹𝑃 + 𝑇𝑁. 𝑇𝑃 + 𝑇𝑁 𝑇𝑃 + 𝐹𝑃 + 𝑇𝑁 + 𝐹𝑁. 𝑇𝑃 + 𝐹𝑃 𝑇𝑃 + 𝐹𝑁 𝑇𝑁 + 𝐹𝑁 𝐹𝑃 + 𝑇𝑁 × + × 𝑇𝑃 + 𝐹𝑃 + 𝑇𝑁 + 𝐹𝑁 𝑇𝑃 + 𝐹𝑃 + 𝑇𝑁 + 𝐹𝑁 𝑇𝑃 + 𝐹𝑃 + 𝑇𝑁 + 𝐹𝑁 𝑇𝑃 + 𝐹𝑃 + 𝑇𝑁 + 𝐹𝑁. 𝐾𝐴𝑃𝑃𝐴 =. 𝑝0 − 𝑝𝑒 1 − 𝑝𝑒. (11). (12). (13) (14). 由上式 12 與 13 可以推算𝑝0與𝑝𝑒，這邊的𝑝0代表觀測的一致性，表示測量結果一致 的百分比，𝑝𝑒代表的是期望的一致性，表示測量結果預期相同的機率，以𝑝0與𝑝𝑒就能推 算出 Kappa。 ROC 如圖八所示 x 軸與 y 軸分別為 specificity 與 sensitivity，當 ROC 的越好時代表兩者 的結果越好，所以以隨機猜測線越往左上代表越好，越往左下代表越差。. 26.
(37) 圖八. ROC 示意圖. 27.
(38) 從表四可以知道固定時間視窗 10 秒的 epoch 各種分類器訓練結果的平均選取的特 徵數量以及各項平均評估指標與標準差。以 NB 分類器為例其平均選取特徵數的平均為 7.45 標準差為 1.83，ROC 為 79.75 標準差為 10.42、Sensitivity 為 87.19 標準差為 8.78、 Specificity 為 54.46 標準差為 28.20、Accuracy 為 84.46 標準差為 7.47、Kappa 為 29.62 標 準差為 20.73，標格內粗體字的部分代表在每個分類器比較之下平均選取的特徵最少， 各項指標的數值最高。綜合所有結果來看 RF 分類器的訓練結果最佳，SVM 與 LDA 的 訓練結果最差。 表四. method. NB. RF. SVM. Number of. ROC. Sensitivity. Specificity. Accuracy. Kappa. features. (%). (%). (%). (%). (%). 7.45. 79.75. 87.19. 54.46. 84.46. 29.62. (1.83). (10.42). (8.78). (28.20). (7.47). (20.73). 6.55. 82.96. 99.00. 23.01. 92.65. 26.06. (1.97). (11.74). (0.83). (24.02). (1.71). (24.24). 6.45. 68.70. 90.54. 16.98. 84.39. 19.64. (10.24). (1.04). (23.28). (1.23). (21.75). 5.91. 79.35. 99.41. 18.10. 92.61. 20.00. (1.88). (24.42). (28.32). (23.37). (26.44). (24.98). 6.27. 77.25. 99.46. 10.59. 92.03. 10.30. (0.73). (25.43). (1.53). (25.16). (2.38) KNN. LDA. 10 秒 epoch 訓練結果之平均評估指標. (1.62). (9.97). 28.
(39) 從表五可以知道固定時間視窗 10 秒的 epoch 各種分類器測試結果的各項平均評估 指標與標準差。以 NB 分類器為例 Sensitivity 為 93.91 標準差為 3.06、Specificity 為 21.74 標準差為 13.27、Accuracy 為 77.59 標準差為 15.75、Kappa 為 17.36 標準差為 14.53，標 格內粗體字的部分代表在每個分類器比較之下各項指標的數值最高。綜合所有結果來看 NB 分類器的測試結果最佳，SVM 的測試結果最差。. 表五. method. NB. RF. SVM. KNN. LDA. 10 秒 epoch 測試結果之平均評估指標. Sensitivity. Specificity. KAPPA. Accuracy. (%). (%). (%). (%). 93.91. 21.74. 14.36. 77.59. (3.06). (13.27). (14.53). (15.75). 92.11. 38.04. 9.26. 84.81. (0.99). (35.19). (13.30). (13.43). 91.64. 39.16. 1.71. 86.45. (1.51). (43.37). (8.46). (11.74). 92.04. 54.14. 5.14. 86.47. (0.51). (41.72). (8.33). (10.72). 91.93. 61.18. 8.87. 85.05. (1.27). (44.80). (10.51). (14.67). 29.
(40) 從表六可以知道固定時間視窗 20 秒的 epoch 各種分類器訓練結果的平均選取的特 徵數量以及各項平均評估指標與標準差。以 NB 分類器為例其平均選取特徵數的平均為 7.00 標準差為 2.52，ROC 為 76.69 標準差為 23.93、Sensitivity 為 81.42 標準差為 8.36、 Specificity 為 73.21 標準差為 18.17、Accuracy 為 77.68 標準差為 14.03、Kappa 為 39.02 標準差為 25.00，標格內粗體字的部分代表在每個分類器比較之下平均選取的特徵最少， 各項指標的數值最高。綜合所有結果來看 RF、NB、LDA 分類器的訓練結果最佳，SVM 與 KNN 的訓練結果最差。. 表六. method. NB. RF. SVM. KNN. LDA. 20 秒 epoch 訓練結果之平均評估指標. Number of. ROC. Sensitivity. Specificity. Accuracy. Kappa. features. (%). (%). (%). (%). (%). 7.00. 76.69. 81.42. 73.21. 77.68. 39.02. (2.52). (23.93). (8.36). (18.17). (14.03). (25.00). 6.00. 86.36. 98.66. 31.74. 93.02. 33.64. (2.13). (9.88). (1.07). (26.28). (2.06). (24.65). 6.45. 79.26. 99.38. 16.87. 92.50. 16.93. (1.23). (10.55). (1.39). (29.18). (1.82). (27.97). 5.82. 83.07. 99.22. 22.20. 92.73. 23.90. (2.08). (8.92). (0.71). (27.53). (1.96). (26.63). 5.73. 76.43. 99.40. 21.48. 92.83. 24.52. (2.18). (11.57). (0.31). (24.78). (1.99). (26.96). 30.
(41) 從表七可以知道固定時間視窗 20 秒的 epoch 各種分類器測試結果的各項平均評估 指標與標準差。以 NB 分類器為例 Sensitivity 為 94.93 標準差為 3.08、Specificity 為 36.28 標準差為 28.82、Accuracy 為 79.42 標準差為 18.11、Kappa 為 32.48 標準差為 30.94，標 格內粗體字的部分代表在每個分類器比較之下各項指標的數值最高。綜合所有結果來看 NB 分類器的測試結果最佳，KNN、RF、SVM 的測試結果最差。. 表七. method. NB. RF. SVM. KNN. LDA. 20 秒 epoch 測試結果之平均評估指標. Sensitivity. Specificity. KAPPA. Accuracy. (%). (%). (%). (%). 94.93. 36.28. 32.48. 79.42. (3.08). (28.82). (30.94). (18.11). 92.34. 35.68. 10.50. 83.37. (1.77). (37.84). (18.02). (15.56). 92.06. 10.09. 0.59. 86.37. (1.48). (28.61). (4.29). (14.64). 91.95. 28.87. 4.32. 84.44. (2.06). (40.74). (8.52). (14.93). 92.08. 30.13. 6.79. 87.55. (1.55). (37.61). (16.41). (12.52). 31.
(42) 從表八可以知道固定時間視窗 30 秒的 epoch 各種分類器訓練結果的平均選取的特 徵數量以及各項平均評估指標與標準差。以 NB 分類器為例其平均選取特徵數的平均為 6.36 標準差為 2.71，ROC 為 83.40 標準差為 9.50、Sensitivity 為 89.23 標準差為 9.50、 Specificity 為 53.21 標準差為 28.59、Accuracy 為 86.21 標準差為 7.08、Kappa 為 32.16 標 準差為 21.43，標格內粗體字的部分代表在每個分類器比較之下平均選取的特徵最少， 各項指標的數值最高。綜合所有結果來看 LDA、KNN 分類器的訓練結果最佳，SVM 的 訓練結果最差。. 表八. method. NB. RF. SVM. KNN. LDA. 30 秒 epoch 訓練結果之平均評估指標. Number of. ROC. Sensitivity. Specificity. Accuracy. Kappa. features. (%). (%). (%). (%). (%). 6.36. 83.40. 89.23. 53.21. 86.21. 32.16. (2.71). (9.50). (8.23). (28.59). (7.08). (21.43). 6.82. 80.71. 90.01. 32.32. 85.17. 34.46. (1.59). (26.51). (28.16). (26.11). (26.71). (24.30). 6.73. 81.52. 99.16. 18.50. 92.39. 17.02. (1.96). (9.48). (1.32). (32.88). (1.91). (28.80). 7.18. 78.64. 99.23. 27.74. 93.23. 28.77. (1.75). (12.03). (0.97). (30.66). (2.15). (30.06). 5.45. 84.45. 99.14. 26.89. 93.07. 28.59. (2.64). (9.50). (0.79). (28.37). (2.14). (27.89). 32.
(43) 從表九可以知道固定時間視窗 30 秒的 epoch 各種分類器測試結果的各項平均評估 指標與標準差。以 NB 分類器為例 Sensitivity 為 93.47 標準差為 3.35、Specificity 為 32.58 標準差為 30.60、Accuracy 為 73.49 標準差為 21.91、Kappa 為 14.55 標準差為 21.46，標 格內粗體字的部分代表在每個分類器比較之下各項指標的數值最高。綜合所有結果來看 KNN 分類器的測試結果最佳，RF、LDA 的測試結果最差。. 表九. method. NB. RF. SVM. KNN. LDA. 30 秒 epoch 測試結果之平均評估指標. Sensitivity. Specificity. KAPPA. Accuracy. (%). (%). (%). (%). 93.47. 32.58. 14.55. 73.49. (3.35). (30.60). (21.46). (21.91). 89.65. 37.35. 9.78. 78.43. (9.55). (41.57). (20.21). (16.37). 91.31. 30.30. 2.09. 87.31. (1.01). (43.05). (9.73). (9.45). 92.75. 69.77. 16.30. 86.50. (1.56). (42.58). (17.56). (17.56). 92.16. 63.91. 14.06. 83.70. (3.16). (43.97). (20.52). (15.90). 33.
(44) 二、 實驗二 從實驗一中可以發現時間視窗 30 秒的 epoch 效果最好，在實驗二主要要找出發作前 與正常狀態間差異性較低的特徵。經過 KS 檢定可以得到一個 p 值，本研究挑選 p 值小 於 0.01 的特徵，除非遇到患者所有特徵的 p 值都大於 0.01 則將門檻調整為 0.05。表十 中有患者所有特徵的 p 值，以患者編號 CHB04 為例，p 值 SDNN 為 0.0005、SDNN INDEX 為 0.0012、RMSSD 為 0.0000、pNN50 為 0.0005、TINN 為 0.0005、SDSD 為 0.0000、IRRR 為 0.0000、MAD 為 0.0000、HRVi 為 0.0000 可以知道患者 04 在 SDNN INDEX 特徵的差異性較小。 表十. 患者. SDNN. 編號. SDNN. 每種特徵 KS 檢定 p 值. RMSSD pNN50. TINN. SDSD. IRRR. MAD. HRVi. INDEX. CHB04 0.0005. 0.0012. 0.0000. 0.0005. 0.0005 0.0000 0.0000 0.0000. 0.0000. CHB05 0.0130. 0.0311. 0.0676. 0.0111. 0.0111 0.0555 0.0593 0.0421. 0.0421. CHB06 0.0068. 0.0027. 0.0000. 0.0014. 0.0014 0.0250 0.0000 0.0001. 0.0001. CHB07 0.0011. 0.0001. 0.0014. 0.0001. 0.0001 0.0012 0.0009 0.0745. 0.0745. CHB08 0.0000. 0.0000. 0.0000. 0.0000. 0.0000 0.0000 0.0000 0.0000. 0.0000. CHB09 0.0000. 0.0000. 0.0000. 0.0000. 0.0000 0.0000 0.0000 0.1378. 0.1378. CHB10 0.0420. 0.0421. 0.0000. 0.0000. 0.0000 0.0111 0.0000 0.0000. 0.0000. CHB11 0.0000. 0.0000. 0.0000. 0.0000. 0.0000 0.0000 0.0000 0.0000. 0.0000. CHB20 0.0000. 0.0000. 0.0000. 0.0000. 0.0000 0.0000 0.0000 0.0319. 0.0319. CHB23 0.0002. 0.0003. 0.0001. 0.0002. 0.0002 0.0000 0.0000 0.1869. 0.1869. CHB24 0.0000. 0.0000. 0.0000. 0.0000. 0.0000 0.0000 0.0000 0.0034. 0.0034. 34.
(45) 三、 實驗三 實驗三比較每種分類器及 PZCIF 與 IPZCIF 兩種方法在每個患者的分類情形，並計 算兩種方法的評估指標平均及標準差。從表十一中可以知道 NB 分類器各個患者測試結 果之平均評估指標，如患者編號 CHB04，PZCIF 的 Sensitivity、Specificity、KAPPA、 Accuracy 分別為 93.83%、15.53%、12.08%、77.44%，IPZCIF 的 Sensitivity、Specificity、 KAPPA、Accuracy 分別為 93.09%、14.00%、9.09%、76.47%，表中的粗體代表兩種方法 在各項指標中哪種的數值較高。 表十一. NB 各個患者測試結果之評估指標. 患者. Sensitivity. Specificity. KAPPA. Accuracy. 編號. (%). (%). (%). (%). CHB04. 93.83. 15.53. 12.08. 77.44. PZCIF. 93.09. 14.00. 9.09. 76.47. IPZCIF. 93.83. 15.53. 12.08. 77.44. PZCIF. 96.03. 13.39. 9.87. 57.14. IPZCIF. 92.00. 25.00. 3.11. 91.46. PZCIF. 91.64. 50.00. 5.23. 91.40. IPZCIF. 100.00. 10.81. 5.67. 32.92. PZCIF. 88.37. 6.57. -3.79. 36.13. IPZCIF. 97.42. 21.67. 24.25. 75.41. PZCIF. 91.83. 100.00. 8.79. 92.01. IPZCIF. 93.89. 11.60. 6.56. 63.62. PZCIF. 97.05. 10.58. 4.60. 35.29. IPZCIF. 96.15. 91.67. 66.72. 95.93. PZCIF. 93.10. 66.66. 27.98. 92.43. IPZCIF. CHB05. CHB06. CHB07. CHB08. CHB09. CHB10. 35. 方法.
(46) CHB11. CHB20. CHB23. CHB24. 93.33. 66.67. 28.07. 92.68. PZCIF. 97.00. 36.84. 41.88. 87.39. IPZCIF. 92.00. 11.76. 2.28. 89.22. PZCIF. 99.50. 55.88. 66.86. 93.28. IPZCIF. 94.51. 19.78. 18.24. 80.69. PZCIF. 91.45. 0.00. -2.88. 89.92. IPZCIF. 90.89. 3.73. -6.84. 75.06. PZCIF. 89.15. 4.42. -7.57. 56.93. IPZCIF. 36.
(47) 從表十二可以知道 RF 分類器各個患者測試結果之平均評估指標。如患者編號 CHB04，PZCIF 的 Sensitivity、Specificity、KAPPA、Accuracy 分別為 91.83%、4.42%、 -7.57%、56.93%，IPZCIF 的 Sensitivity、Specificity、KAPPA、Accuracy 分別為 60.00%、 3.45%、-15.02%、55.02%，表中的粗體代表兩種方法在各項指標中哪種的數值較高。 表十二. RF 各個患者測試結果之評估指標. 患者. Sensitivity. Specificity. KAPPA. Accuracy. 編號. (%). (%). (%). (%). CHB04. 91.83. 4.42. -7.57. 56.93. PZCIF. 60.00. 3.45. -15.02. 55.02. IPZCIF. 95.74. 90.91. 62.34. 95.53. PZCIF. 93.99. 16.36. 13.31. 76.05. IPZCIF. 91.87. 0.00. 0.00. 91.87. PZCIF. 92.73. 100.00. 26.77. 92.83. IPZCIF. 91.62. 7.27. -1.42. 72.76. PZCIF. 90.00. 5.13. -6.01. 62.18. IPZCIF. 92.42. 23.52. 9.65. 90.04. PZCIF. 93.33. 16.27. 12.14. 79.41. IPZCIF. 91.86. 8.11. -0.37. 72.97. PZCIF. 92.15. 8.82. 0.86. 44.53. IPZCIF. 94.36. 100.00. 46.94. 94.51. PZCIF. 91.98. 100.00. 8.79. 92.02. IPZCIF. 91.86. 0.00. 0.00. 91.87. PZCIF. 97.00. 36.84. 41.88. 87.39. IPZCIF. 92.18. 33.33. 6.72. 91.46. PZCIF. 97.21. 60.87. 61.67. 93.70. IPZCIF. CHB05. CHB06. CHB07. CHB08. CHB09. CHB10. CHB11. CHB20. 37. 方法.
(48) CHB23. CHB24. 92.00. 11.76. 2.28. 89.23. PZCIF. 91.11. 0.00. -7.09. 86.13. IPZCIF. 91.88. 9.09. 0.31. 90.65. PZCIF. 91.32. 0.00. -4.80. 88.45. IPZCIF. 38.
(49) 從表十三可以知道 LDA 分類器各個患者測試結果之平均評估指標。如患者編號 CHB04，PZCIF 的 Sensitivity、Specificity、KAPPA、Accuracy 分別為 91.82%、0.00%、 -1.47%、91.26%，IPZCIF 的 Sensitivity、Specificity、KAPPA、Accuracy 分別為 91.81%、 16.67%、3.97%、89.92%，表中的粗體代表兩種方法在各項指標中哪種的數值較高。. 表十三. LDA 各個患者測試結果之評估指標. 患者. Sensitivity. Specificity. KAPPA. Accuracy. 編號. (%). (%). (%). (%). CHB04. 91.82. 0.00. -1.47. 91.26. PZCIF. 91.81. 16.67. 3.97. 89.92. IPZCIF. 91.87. 0.00. 0.00. 91.87. PZCIF. 91.98. 100.00. 8.79. 92.01. IPZCIF. 91.87. 0.00. 0.00. 91.87. PZCIF. 91.46. 100.00. 21.95. 92.55. IPZCIF. 91.76. 0.00. -2.17. 90.65. PZCIF. 88.31. 2.38. -11.25. 57.98. IPZCIF. 93.35. 24.39. 17.93. 87.60. PZCIF. 91.18. 0.00. -6.34. 86.97. IPZCIF. 93.35. 24.39. 17.93. 87.60. PZCIF. 91.52. 0.00. -1.55. 90.76. IPZCIF. 94.75. 100.00. 52.43. 94.91. PZCIF. 92.37. 100.00. 16.91. 92.43. IPZCIF. 92.18. 33.33. 6.72. 91.46. PZCIF. 91.22. 0.00. -5.93. 87.39. IPZCIF. 91.93. 11.11. 1.12. 90.47. PZCIF. CHB05. CHB06. CHB07. CHB08. CHB09. CHB10. CHB11. CHB20. 39. 方法.
(50) CHB23. CHB24. 91.56. 0.00. -0.81. 91.17. IPZCIF. 92.24. 100.00. 8.82. 92.27. PZCIF. 91.11. 0.00. -7.09. 86.13. IPZCIF. 91.83. 0.00. -1.02. 91.33. PZCIF. 91.68. 14.29. 1.80. 90.55. IPZCIF. 40.
(51) 從表十四可以知道 SVM 分類器各個患者測試結果之平均評估指標。如患者編號 CHB04，PZCIF 的 Sensitivity、Specificity、KAPPA、Accuracy 分別為 91.86. %. 、. 0.00%、8.79%、91.87%，IPZCIF 的 Sensitivity、Specificity、KAPPA、Accuracy 分別為 91.98%、100.00%、8.79%、92.02%，表中的粗體代表兩種方法在各項指標中哪種的數值 較高。. 表十四. SVM 各個患者測試結果之評估指標. 患者. Sensitivity. Specificity. KAPPA. Accuracy. 編號. (%). (%). (%). (%). CHB04. 91.86. 0.00. 8.79. 91.87. PZCIF. 91.98. 100.00. 8.79. 92.02. IPZCIF. 92.24. 100.00. 8.82. 92.27. PZCIF. 92.76. 100.00. 24.43. 92.86. IPZCIF. 91.87. 0.00. 0.00. 91.87. PZCIF. 91.27. 0.00. -2.52. 89.97. IPZCIF. 91.78. 7.41. -0.91. 82.52. PZCIF. 92.37. 100.00. 16.91. 92.44. IPZCIF. 91.80. 0.00. -1.50. 91.06. PZCIF. 91.83. 100.00. 8.79. 92.01. IPZCIF. 91.80. 0.00. 0.00. 91.86. PZCIF. 93.55. 9.09. 1.45. 31.09. IPZCIF. 91.80. 0.00. 0.00. 91.86. PZCIF. 92.76. 100.00. 24.43. 92.86. IPZCIF. 92.81. 0.00. -1.50. 91.06. PZCIF. 93.16. 100.00. 31.41. 93.28. IPZCIF. CHB05. CHB06. CHB07. CHB08. CHB09. CHB10. CHB11. 41. 方法.
(52) CHB20. CHB23. CHB24. 91.44. 5.63. -3.56. 79.07. PZCIF. 97.20. 58.33. 59.97. 93.27. IPZCIF. 91.87. 0.00. 0.00. 91.87. PZCIF. 91.98. 100.00. 8.79. 92.02. IPZCIF. 91.91. 12.50. 1.05. 91.06. PZCIF. 91.43. 0.00. -3.19. 89.71. IPZCIF. 42.
(53) 從表十五可以知道 KNN 分類器各個患者測試結果之平均評估指標。如患者編號 CHB04，PZCIF 的 Sensitivity、Specificity、KAPPA、Accuracy 分別為 91.86%、0.00%、 8.79%、91.87%，IPZCIF 的 Sensitivity、Specificity、KAPPA、Accuracy 分別為 92.37%、 100.00%、16.91%、92.43%，表中的粗體代表兩種方法在各項指標中哪種的數值較高。 表十五. KNN 各個患者測試結果之評估指標. 患者. Sensitivity. Specificity. KAPPA. Accuracy. 編號. (%). (%). (%). (%). CHB04. 91.86. 0.00. 8.79. 91.87. PZCIF. 92.37. 100.00. 16.91. 92.43. IPZCIF. 91.87. 0.00. 0.00. 91.87. PZCIF. 92.55. 12.00. 5.84. 75.63. IPZCIF. 86.25. 100.00. 15.88. 86.47. PZCIF. 91.67. 100.00. 5.92. 91.69. IPZCIF. 92.04. 8.89. 1.83. 76.83. PZCIF. 83.60. 0.00. -16.73. 42.85. IPZCIF. 92.62. 27.77. 12.84. 90.24. PZCIF. 92.37. 100.00. 16.91. 92.43. IPZCIF. 91.97. 16.67. 2.27. 91.05. PZCIF. 95.77. 14.58. 11.88. 63.03. IPZCIF. 93.19. 100.00. 28.04. 93.29. PZCIF. 91.98. 100.00. 8.79. 92.02. IPZCIF. 91.84. 0.00. -0.78. 91.46. PZCIF. 91.45. 0.00. -2.88. 89.91. IPZCIF. 91.86. 0.00. 0.00. 91.87. PZCIF. 96.83. 76.47. 67.78. 95.38. IPZCIF. CHB05. CHB06. CHB07. CHB08. CHB09. CHB10. CHB11. CHB20. 43. 方法.
(54) CHB23. CHB24. 91.87. 0.00. 0.00. 91.87. PZCIF. 91.98. 100.00. 8.79. 92.02. IPZCIF. 91.87. 0.00. 0.00. 91.87. PZCIF. 93.16. 100.00. 31.41. 93.28. IPZCIF. 44.
(55) 從表十六中可以知道 PZCIF 與 IPZCIF 的所有分類器測試結果之平均評估指標與標 準差，如 NB 分類器。PZCIF 的 Sensitivity 為 94.35%標準差為 2.51、Specificity 為 26.70% 標準差為 25.89、KAPPA 為 15.66%標準差為 18.81、Accuracy 為 77.44%標準差為 16.80， IPZCIF 的 Sensitivity 為 93.47%標準差為 3.35、Specificity 為 32.58%標準差為 30.60、 KAPPA 為 14.55%標準差為 21.46、Accuracy 為 73.49%標準差為 21.91。表十六內的粗體 字代表 PZCIF 與 IPZCIF 間平均評估指標哪種的數值較高，綜合所有分類器來看 IPZCIF 的效果較好。 表十六. method. NB. RF. LDA. SVM. 所有分類器測試結果之平均評估指標. Sensitivity. Specificity. KAPPA. Accuracy. (%). (%). (%). (%). 94.35. 26.70. 15.66. 77.44. (2.51). (25.89). (18.81). (16.80). 93.47. 32.58. 14.55. 73.49. (3.35). (30.60). (21.46). (21.91). 92.51. 26.22. 10.81. 85.26. (1.25). (34.01). (21.34). (11.66). 90.07. 31.61. 12.05. 77.97. (9.76). (36.58). (22.19). (16.04). 92.45. 26.66. 9.12. 91.03. (0.92). (36.44). (15.40). (1.96). 91.29. 30.30. 1.86. 87.08. (1.01). (43.05). (9.91). (9.44). 91.92. 11.41. 1.01. 89.67. (0.32). (28.30). (3.84). (4.26). 45. 方法. PZCIF. IPZCIF. PZCIF. IPZCIF. PZCIF. IPZCIF. PZCIF.
(56) KNN. 92.75. 69.77. 16.30. 86.50. (1.56). (42.58). (17.56). (17.56). 91.56. 23.03. 6.26. 89.88. (1.72). (37.28). (8.83). (4.44). 92.16. 63.91. 14.06. 83.70. (3.16). (43.97). (20.52). (15.90). 46. IPZCIF. PZCIF. IPZCIF.
(57) 第五章 研究結論與展望 在本研究中採取了正零越點區間方法，並採取心率異變率特徵中的 10 種時域特徵， 用於癲癇發作預測。在研究中發現這些特徵有幾個特徵對於癲癇腦波相當有用，但是也 有一部分特徵沒被使用到，並且在一部分病人的表現上也不是相當理想，在分類器上選 擇，隨機決策森林、貝氏分類器、最近鄰居法、支持向量機、線性識別分析等五種，利 用這些分類器去對那些特徵做分類，在訓練的方面消耗大量的時間。. 綜合上述幾點，在未來可以針對效果較好的 HRV 時域特徵去做更深度的研究，找到 符合大多數病人的特徵，另一方面在分類器的部分，可以進一步的去探討那些分類器可 以快速有效的分類出這些特徵，具有更好的效率，在訊號分段上還能更深入的去研究， 找到更好的分段秒數，這些都是未來希望能夠改進。. 47.
(58) 參考文獻 [1] S. Ramgopal, S. T. Souza, M. Jackson, N. E. Kadish, I. S. Fernandez, J. Klehm , W. Bosl, C. Reinberger, S. Schachter and T. Loddenkemper, “Seizure dection,seizure prediction and closed-loop warning system in epilepsy,” ELSEVIER Epilepsy & Behavior, vol. 37, pp. 291-307, 2014. [2] T. N. Alotaiby, S. A. Alshebeil, T. Alshawi, I. Ahmad and F. E. A. E. Samie, “EEG seizure detection and prediction algorithms: a survey,” EURASIP Journal on Advances in Signal Processing, 2014. [3] A. S. Zandi, R. Tafreshi, M. Javidan and G. A. Dumont, “Predicting Epileptic Seizures in Scalp EEG Based on a Variational Bayesian Gaussian Mixture Model of Zero-Crossing Intervals,” IEEE Transactions on Biomedical Engineering, vol. 60, NO. 5, MAY 2013. [4] 唐雅雯, 李郁芬, 黃吉宏, 黃國政 “透過光體積變化信號對腦波訊號進行雜訊去除,” AOI 論壇與展覽, 2014. [5] A. S. Zandi, R. Tafreshi, M. Javidan and G. A. Dumont, “Predicting Temporal Lobe Epileptic Seizures Based on Zero–Crossing Interval Analysis in Scalp EEG,” 32nd Annual International Conference of the IEEE EMBS Buenos Aires, Argentina, August 31 September 4, 2010. [6] A. Goldberger, L. Amaral, L. Glass, J. Hausdorff, P. Ivanov, R. Mark, J. Mietus, G. Moody and C.-K. Peng, and H. Stanley, “PhysioBank, physiotoolkit, and physionet: Components of a new research resource for complex physiologic signals,” Circulation, vol. 101, pp. e215–e220, 2000. [7] A. Shoeb, “Application of machine learning to epileptic seizure onset detection and treatment,” Ph.D. dissertation, Massachusetts Inst. of Technol., Cambridge, Sep. 2009. [8] H. Berger, “Archiv für Psychiatrie und Nervenkrankheiten”, 87: 527-570, 1929. [9] 陳煒燁, “利用 SVM 分類演算法於 EEG-P300 的偵測與分析”,逢甲大學自動控制工 程學系碩士班碩士論文”, 2008。 [10] LeVan, P., Urrestarazu, E. and Gotman, J. (2006). A system for automatic artifact removal in ictal scalp EEG based on independent component analysis and Bayesian classification. Clinical Neurophysiology, 117, 912–927. [11] T. P. Runarsson and S. Sigurdsson, On-line detection of patient specific neonatal seizures using support vector machines and half-wave attribute histograms, in The International Conference on Computational Intelligence for Modelling, Control and Automation, and International Conference on Intelligent Agents, Web Technologies and Internet Commerce (CIMCA-IAWTIC) (Vienna), pp. 673–677. 28–30 Nov 2005. [12] J. Yoo, L. Yan, D. El-Damak, M. A. Bin Altaf, A. H. Shoeb and A. P. Chandrakasan, An 8 channel scalable EEG acquisition SoC with patient-specific seizure classification and recording processor. IEEE J. Solid State Circuits 48(1), 214–228 (2013). 48.
(59) [13] A. Dalton, S. Patel, A. R. Chowdhury, M. Welsh, T. Pang, S. Schachter, G. Olaighin and P. Bonato, Development of a body sensor network to detect motor patterns of epileptic seizures. IEEE Trans. Biomed. Eng. 59(11), 3204–3211 (2012). [14] P. Rana, J. Lipor, H. Lee, W. V. Drongelen, M. H. Kohrman and B. V. Veen, Seizure detection using the phase-slope index and multichannel ECoG. IEEE Trans. Biomed. Eng. 59(4), 1125–1134 (2012). [15] H. Khamis, A Mohamed, S. Simpson, Frequency–moment signatures: a method for automated seizure detection from scalp EEG. Clin. Neurophysiol. 124(12), 2317–2327 (2013). [16] UR Acharya, SV Sree, G Swapna, RJ Martis and JS Suri, Automated EEG analysis of epilepsy: a review. Knowl.-Based Syst. 45, 147–165 (2013). [17] SH Hung, CF Chao, SK Wang, BS Lin and CT Lin, VLSI implementation for Epileptic Seizure Prediction System based on Wavelet and Chaos Theory, in Proceedings of the IEEE TENCON (Fukuoka), pp. 364–368. 21–24 Nov 2010 [18] CY Chiang, NF Chang, TC Chen, HH Chen and LG Chen, Seizure prediction based on classification of EEG synchronization patterns with on-line retraining and post-processing scheme, in Proceedings of the International Conference of the IEEE EMBS (Boston, MA, USA), pp. 7564–7569. 30 Aug–3 Sept 2011. [19] PW Mirowski, Y LeCun, D Madhavan and R Kuzniecky, Comparing SVM and convolutional networks for epileptic seizure prediction from intracranial EEG, in IEEE Workshop on Machine Learning for Signal Processing (Cancun), pp. 244–249. 16–19 Oct 2008. [20] A. Aarabi and B. He, A rule-based seizure prediction method for focal neocortical epilepsy. Clin. Neurophysiol. 123(6), 1111–1122 (2012). [21] C. A. Rojas, M Valderrama, A Witon, V Navarro and MLV Quyen, Probing cortical excitability using cross-frequency coupling in intracranial EEG recordings: a new method for seizure prediction, in Proceedings of the International Conference of the IEEE EMBS (Boston, MA, USA), pp. 1632–1635. 30 Aug–3 Sept 2011. [22] S. Wang, W. A. Chaovalitwongse and S Wong, A novel reinforcement learning framework for online adaptive seizure prediction, in Proceedings of the IEEE International Conference on Bioinformatics and Biomedicine (Hong Kong). [23] H. B. Soleimani, C Lucas, BN Araabi and L Schwabe, Adaptive prediction of epileptic seizures from intracranial recordings. Biomed Signal. Process. Control. 7(5), 456–464 (2012). [24] M. R. Miri and AM Nasrabadi, A new seizure prediction method based on return map, in Proceedings of the Iranian Conference on BioMedical Engineering (Tehran), pp. 244–248. 14–16 Dec 2011. [25] J. R. Williamson, DW Bliss, DW Browne and JT Narayanan, Seizure prediction using EEG spatiotemporal correlation structure. Epilepsy Behav. 25(2), 230–238 (2012). 49.
(60) [26] W. Zhou, Y. Liu, Q. Yuan and X. Li, Epileptic seizure detection using lacunarity and. [27] [28] [29] [30]. Bayesian linear discriminant analysis in intracranial EEG. IEEE Trans. Biomed. Eng. 60(12), 3375–3381 (2013). Tin Kam Ho, Random decision forests, Document Analysis and Recognition, vol. 1, pp. 278-282, Aug 1995. I. Rish, J. Hellerstein, and T. Jayram. An analysis of data characteristics that affect naive Bayes performance. Technical Report RC21993, IBM T.J. Watson Research Center, 2001. Bailey, T., Jain and A. A note on distance-weighted k-nearest neighbor rules. IEEE Trans. Systems, Man, Cybernetics, Vol. 8, pp. 311-313, 1978. B. Schölkopf, K.-K. Sung, C. Burges, F. Girosi, P. Niyogi, T. Poggio and V. Vapnik, “Comparing support vector machines with Gaussian kernels to radial basis function. classifiers, ” IEEE Transactions on Signal Processing, Vol. 45, No. 11, pp. 2758–2765, 1997. [31] Demir, G. K., Ozmehmet and K, Online Local Learning Algorithms for Linear Discriminant Analysis. Pattern Recogn. Lett. 26 (4): 421–431 (2005).. 50.
(61)
相關文件
Have shown results in 1 , 2 & 3 D to demonstrate feasibility of method for inviscid compressible flow problems. Department of Applied Mathematics, Ta-Tung University, April 23,
A factorization method for reconstructing an impenetrable obstacle in a homogeneous medium (Helmholtz equation) using the spectral data of the far-field operator was developed
A factorization method for reconstructing an impenetrable obstacle in a homogeneous medium (Helmholtz equation) using the spectral data of the far- eld operator was developed
To this end, we introduce a new discrepancy measure for assessing the dimensionality assumptions applicable to multidimensional (as well as unidimensional) models in the context of
In this paper, we build a new class of neural networks based on the smoothing method for NCP introduced by Haddou and Maheux [18] using some family F of smoothing functions.
Chen, The semismooth-related properties of a merit function and a descent method for the nonlinear complementarity problem, Journal of Global Optimization, vol.. Soares, A new
Using a one-factor higher-order item response theory (HO-IRT) model formulation, it is pos- ited that an examinee’s performance in each domain is accounted for by a
The Hilbert space of an orbifold field theory [6] is decomposed into twisted sectors H g , that are labelled by the conjugacy classes [g] of the orbifold group, in our case
