python基于svm项目+课程设计报告_基于机器学习的脑电病理诊断

是新朋友吗？记得先点蓝字关注我哦～

(图片来自于网络)

1

引言

将机器学习方法应用于脑电信号的自动分析，特别是在基于脑电信号的临床诊断领域，因其巨大的应用前景而引起了广泛的兴趣。例如，它是检测和预测癫痫发作的基础，目的是警告患者即将发生的癫痫发作，或控制脑电刺激以预防或停止癫痫活动。此外，机器学习允许基于EEG的睡眠分期过程的自动化以及特定疾病及其神经诊断，如阿尔茨海默，抑郁症，创伤性脑损伤，中风，以及意识障碍等。脑电自动诊断算法的发展可以支持临床医生筛选EEG。它们不仅可以减轻临床医生的工作量，而且可以及早发现和治疗疾病，从而加强病人的护理。

我们将用于脑电分析的机器学习大致分为两种方法：基于特征的方法和端到端的方法。在L.A.W. Gemein(2020)等人的文章中，利用异常脑电数据库对这两种方法进行了诊断性能上的比较。

1

基于特征的机器学习

基于特征的解码方法在不同的脑电解码任务中有着悠久的成功应用历史。在这种方法中，通常是手动设计并预先选择特征来表示数据。例如，研究人员可以优先决定使用特定频段的频谱功率作为特征，前提是他们假设这些频带对于当前的解码任务是有用的，然后可以手动选择准确的频带，例如在运动解码的共空间模式(CSP)算法中。或者可以通过自动特征选择来确定。选择特征的过程依赖于研究者的领域专长。如果先验特征决策是次优的，它会降低结果分析的质量。相反，由于其明确的性质，分类决策的可解释性常常被认为是基于特征解码的优势。

2

端到端机器学习

端到端解码方法接受原始或最少预处理的数据作为输入。到目前为止，端到端深度学习之所以受到关注，主要是因为它在其他研究领域取得了成功，例如计算机视觉和语音识别。然而，最近通过将人工神经网络的深度学习成功地应用于脑电图分析，它也获得了发展势头。通过设计，网络可以自己学习特征，并允许对特征提取和分类进行联合优化。这个过程可以得到更好的解决方案或发现意想不到的信息特征，并且不需要手动设计特征，至少不需要提取特征。端到端模型在所学特征方面以“黑匣子”著称；理解它们所学的知识是深度学习领域的一个挑战，也是一个持续不断的课题。另一个普遍关注的问题是，机器学习应用的复杂性只会从传统方法中的特征工程领域转移到网络工程领域，因为可能需要根据给定任务的要求手工构建网络。

3

两者的对比

在脑电图分析领域，传统的基于特征的与端到端机器学习分析的比较还缺乏系统性。特别是，目前还没有研究将使用广泛的时间、频率和连通性特征从EEG中进行病理解码的准确性，与基于大EEG数据集的成熟端到端方法进行稳健比较。过去对深度学习结果的比较通常只考虑其他深度学习结果，或者(更确切地说)基于特征的简单基线(使用阈值、线性判别分析或线性回归)和有限的特征集。这会导致方法之间的不公平比较。此外，它还会给人留下一种方法优于另一种方法的印象。在特定的应用中，深度学习并不能产生比基于特征的解码更好的效果。最近，Rajkomar等人(2018)证明了logistic回归可以与deep神经网络竞争，从电子健康记录中预测医疗事件。目前还没有研究将不同的深层神经网络结构与基于特征的方法进行比较，特别是使用多个领域的大量特征来解码EEG。本文认为，基于特征的方法和端到端的方法之间的大规模比较对于EEG的机器学习技术超越现有技术是至关重要的。在这两个重要领域，以相互了解的方式开发方法，对于先进的基于特征的和新颖的端到端脑电图方法学来说，都可能是富有成效的。

本文中，研究者比较了使用深层神经网络的端到端解码和使用大量特征的基于特征的解码。对于基于特征的病理学解码，使用了随机森林(RF)、支持向量机(SVM)，黎曼几何学(RG)和auto-sklearn calssifier(ASC)自动化ML工具包。对于端到端的病理学解码，使用了三种类型的卷积神经网络(CNN)，分别是已成功应用于运动解码、速度解码和病理学解码的BD-Deep4，为EEG开发和评估的深度学习工具箱Braindecode(BD)，以及通过神经结构搜索对脑电解码进行了优化的BD-TCN。

21

研究方法

1

数据集

研究采用了TUH异常脑电语料库。语料库包括从2329名独特的病人身上获得的2993段至少15分钟的记录，包括一个发展和单独的最终评价集。包含年龄范围广泛(7天-96岁)的男性和女性患者的记录，因此包括婴儿、儿童、青少年、成人和老年患者。在数据集中诊断