008CHB-MIT脑电图数据库对儿童癫痫发作自动检测的调查-2021

Automated Epileptic Seizure Detection in Pediatric Subjects of CHB-MIT EEG Database—A Survey

本文通过分析脑电图信号，重点介绍了儿童癫痫发作的计算机辅助诊断中涉及的各种患者依赖和患者独立的个性化医疗方法，从而总结了现有的知识体系，为生物医学工程师开辟了一个巨大的研究领域。本文从脑电图记录中提取时间、频率、时频和非线性四个域特征，并将其输入不同的分类器对发作和非发作脑电图信号进行分类。研究人员检查了分类准确性、敏感性和特异性等性能指标，并解决了使用CHB-MIT数据库进行自动癫痫检测的挑战。

文献综述：

在之前的工作中，作者提出了一种利用头皮脑电图和支持向量机(SVM)分类器对癫痫发作进行分类的机器学习方法，该方法获得了90%[14]的准确率。采用基于小波的特征提取技术提取平均绝对偏差(MAD)的统计特征。将提取的特征输入线性判别分析分类器(LDA)进行癫痫和非癫痫事件的区分，准确率达96.5%。采用连续小波变换(CWT)提取特征，采用支持向量机分类器进行癫痫分类，在[16]中获得52.2%的灵敏度。采用数据驱动的方法，并使用四阶FIR滤波器提供256个特征，这些特征被添加到支持向量机分类器中，以区分[17]中的正常和异常EEG记录。通过监督低功率传感器节点验证患者特异性癫痫发作检测方法，实现高效感知，提取频谱特征并将其反馈给支持向量机，在[18]中获得的灵敏度、潜伏期和虚警率分别为94.70%、5.83 s和0.199 / h。

离散小波变换(DWT)在[19]中被用来分解脑电信号。每个系数测量能量和归一化变异系数，并将其输入LDA分类器，识别癫痫发作周期，准确率为91.8%，灵敏度为83.6%，特异度为100%。利用分布式四次查找表设计了一种能量高效的滤波器结构，并使用线性支持向量机分类器对癫痫和非癫痫信号进行分类，准确率达到82.7%，潜伏期为2s[20]。

将条件互信息最大化(CMIM)作为一种特征选择方法，从提取的时间、频率、时频和非线性特征中选择特征。将提取的特征送入支持向量机分类器对脑电信号进行分类，获得了90.62%的灵敏度和99.05%的特异度[21]。实施了患者特定分类的二进制分类器，结果灵敏度为89%，特异度为93%[22]。

提取了基于小波的非线性特征，并将其用于极限学习机(ELM)的分类过程，其灵敏度为92.6%，误检率为0.078[23]。利用小波变换对信号进行分解，提取基于小波的特征，并将其输入到线性分类器中，获得了98.5%的灵敏度和1.76s的延迟[24]。

基于无监督特征学习的患者特异性癫痫检测器，即堆叠自编码器，用于从[25]的原始脑电图信号中学习特征。提取的特征输入到逻辑分类器中，用于脑电信号的识别。

采用复发量化分析(RQA)检测癫痫发作，应用小波和陷波滤波器计算信噪比(SNR)，灵敏度为97.4%，特异性为93.5%[26]。采用基于模糊熵的支持向量机方法对脑电信号进行分类，准确率为98.31%，特异性为98.36%，灵敏度为98.27%[27]。通过对脑电信号时域、频域和时频域的分析，提出了一种基于移动的癫痫自动检测方法。从分析的信号中计算若干特征，并采用序列正向特征选择方法选取信息特征，将信息特征输入k-means聚类，对[28]进行分类。

提出了二维空间映射的脑电信号特征提取方法，采用多种分类器，灵敏度为70.19%，特异性为97.74%[29]。

将多任务学习方法应用于长数据记录，通过训练支持向量机分类器来区分癫痫和非癫痫信号[30]，解决了患者和患者内部变异相关的挑战。采用RQA对脑电信号进行特征描述，将提取的特征输入纠错输出码(ECOC)分类器，其灵敏度为97.4%，特异性为93.5%，分别为[31]。利用头皮脑电图和磁共振成像方法引入了癫痫分类的监督机器学习方法，利用k -最近邻分类器(K-NN)[32]获得了93%的灵敏度和94%的特异性。提出了奇异洛伦兹测度法(SLMM)特征提取方法，利用小波变换对脑电信号记录进行分解，并将基于SLMM提取的特征传递给不同的分类器进行高效分类，检测精度达到90%[33]。

。。。。。。

本文所讨论的方法可以通过如图1所示的癫痫自动检测流程图进行总结，该流程图包括脑电图数据预处理、特征提取、特征选择和分类的典型阶段。这些阶段将在本文的以下部分中进行更详细的讨论

2. Dataset Used

本研究使用的数据库是CHB-MIT，收集自波士顿儿童医院。该数据库包括24例难治性癫痫患儿的脑电图记录。该数据库包含916 h的脑电图记录和22例年龄在1.5 ~ 22岁之间的患者的23例脑电图记录。停药后记录连续脑电图信号。CHB-MIT数据库记录分为癫痫发作和非癫痫发作记录，共包含664个脑电图文件，其中包括所有患者的198例癫痫发作。这些数据记录是1小时或4小时的数据记录，129个文件包含一次或多次癫痫发作，所有EEG信号以每秒256个采样的速度采样，分辨率为16位。大部分EEG记录包含23通道，少数记录包含24-26通道，如图2所示。头皮脑电图记录采用国际10-20系统。该数据库可在Physionet网站上找到。由于脑电信号是长时间的数据，因此采用时间窗对脑电信号进行分割.

3. Methods

采用文献中提出的多种方法进行脑电图分析。

这些方法大致分为四类:(1)时域方法，(2)频域方法，(3)时频域方法，(4)非线性方法，如图3所示。

3.1. Time Domain

利用成分分析等方法对时域分析的关键技术进行了分析，以区分癫痫患者和正常患者。时域的脑电图波形与癫痫和非癫痫患者在发作期和发作间期的状态有关。

成分分析是一种提取时域特征的无监督方法，包括PCA、独立成分分析(ICA)和LDA。作者从每115列中提取了峰值频率、中位数频率、方差、均方根(RMS)、样本熵、偏度和峰度7个特征，因此，结合PCA和L共提取了805个特征和20个不相关特征[40]。

定义PCA和常见的空间模式来提取鉴别特征，例如与最小值、最大值、均值、方差、标准差、范围、峰度、偏度、均方根相关的统计特征，以及曲线长度、零交叉、峰值数量、平均非线性能量和频带功率等形态特征，以提供EEG信号的分类[63]。采用主成分分析、LDA独立搜索、LDA前向搜索、LDA后向搜索和Gram-Schmidt分析等方法提取了方差特征、均方根(RMS)、偏度(skeness)、峰度(kursis)、峰值频率、中位数频率、样本熵以及约20个不相关特征。

采用CMIM特征选择方法提取特征[21]。提取偏度、峰度、极大值和极小值数、均值、方差、标准差、COV、均方根、Shannon熵、近似熵、能量、标准差和自协方差的特征。提取均值、标准差、中位数、偏度、峰度、正负值、均值和最大值的一阶导数、均方根、线长[28]的时域特征。提取基于直方图的统计特征，通过MSE分析，利用COV特征、Bowley偏度测度特征、偏度矩测度特征、峰度特征、Pearson偏度测度特征、负熵近似特征和IHF[42]系数收集的十个最优特征提取插值直方图特征。

从脑电图信号中提取统计矩、标准差、过零和峰间电压，对前期和间期状态进行分类。提取振幅、偏度、峰度和熵特征，从这四个特征中选取时域特征的振幅和峰度进行判别[79]，如表1所示。

3.2. Frequency Domain

从周期图中提取光谱和能量特征，采用Welch算法对周期图进行估计，其重叠部分为50%[14]。设第p个加窗输入信号x表示为[12]

最大PSD、最大PSD的频率、θ、α、β、γ和δ频带的平均PSD以及PSD的变化等特征，由Welch 's方法从PSD中提取，重叠90%[79]。利用16阶Burg法评估的PSD计算光谱特征;因此，[41]得到了8个光谱特征。通过计算脑电图[50]中吸引子的PSD，提取出各频段的傅里叶系数，分别为θ、α、低、中、高、γ。设计7个FIR带通滤波器，提取18个通道上的特征，每个通道由3时间窗口上的7个特征组成，最终形成378维的特征向量[17]。

CMIM提取了最大功率谱、最小功率谱、平均功率谱、频谱熵和中频[21]的特征。提取最大、最小、平均功率谱、谱熵和中值频率的频域特征[22]。采用自适应分割方法，利用非线性能量算子对脑电信号进行分割，将脑电信号输入迭代滤波器组，提取谱能量特征和时间特征，进行细化分类[30]。

采用2秒非重叠窗口进行特征提取。特征提取引擎由两组带通滤波器组成。对于每个通道，频段被细分为delta、theta、alpha和beta，其范围分别为0-3、4-7、8-15和16-30 Hz，[43]。利用由7个BPF和一个谱能计算器组成的有限元引擎提取特征[44]。进行高阶光谱分析，提取光谱和时间模式[51]。有限元方法在FPGA中实现。提取振幅和频率用于癫痫检测[61]，如表2所示

3.3. Time-Frequency Domain
3.3.1. Wavelet Transform (WT)

小波变换起源于分析非平稳信号的一种动态方法。在小波变换中，利用与脑电图相关的能量获得小波系数[84]，可以推断为滤波器组[85]。它大致分为CWT、DWT和WPD。WT用于提取统计特征、能量和COV特征、IQR和MAD[15]。小波变换旨在从23个脑电信号通道中提取特征。这些特征被划分为正常、发作前和发作事件[66]。通过估计近似系数和变异细节系数的对数，提取单个基于小波的特征，提高了癫痫分类[47]的精度。分析了基于模糊规则的特征提取方法，采用小波变换将EEG信号的熵分解为子带，提取出Lyapunov指数、相关维数和近似特征的非线性特征[64]。‘

3.3.2. Continuous Wavelet Transform (CWT)

采用WT法提取时间测度，其中提取了均值、归一化变异系数(NCOV)、STD、偏度、峰度、光谱特征、平均PSD和峰值PSD等时间特征。

3.3.3. Discrete Wavelet Transform (DWT)

DWT用于将信号描述为标准正交基上的无限小波集[86]。DWT可以将信号的非线性结构分解为常用的Daubechies 4 (Db4)小波上的近似系数和细节系数[87]。在DWT中，平移参数和膨胀参数离散如下:

对5个小波分解层次进行小波变换，提取能量、新冠病毒和相对变异系数(RCOV)[19]等特征。提取具有小波分解的基于小波的特征的能量、熵、标准差、均值、最大值和最小值，提取未经过小波分解的统计IQR和MAD特征，实现癫痫发作[25]的自动分类。采用小波变换提取最大值[28]的均值、标准差、最小值、最大值、中值、偏度、峰度、相对能量、总能量、香农熵、谱熵以及最大值和最小值的一阶和二阶导数。使用SWT进行特征提取，提取176个频率特征和88个能量特征，分别为平均频率、峰值频率、相对频带能量、左前、右前、左后和右后[41]。采用多级小波分解方法，提取最大值、最小值和平均值的幅值、谱能量变化以及相关频率和谱特征，以提供有效的分类[46]。利用2 - 7个小波特征提取基于小波的特征，获取每个特征的性能，提取线长、非线性能量、方差和最大特征，用于患者相关分类[48]。估计了近似系数和方差细节系数的对数，以提取单个基于小波的特征，提高了癫痫分类[58]的准确性。从分解系数中提取熵特征[77]。通过结合快速傅里叶变换(FFT)计算PSD，提取delta、theta、alpha、beta、gamma1和gamma2频段上的能量分量，此外，应用DWT提取7级分解系数[69]。利用散射变换和小波变换进行特征提取，提取了光谱、熵、Hurst指数、线长、功率谱和分形维数[53]等45个特征。

3.3.4. Wavelet Packet Decomposition (WPD)小波包分解

WPD是DWT[2]的扩展。DWT分解近似系数，而WPD分解近似系数和细节系数[88]。在WPD中，将各个分解层次结合起来重构原始信号[89]。

采用FWD方法(又称谐波小波包变换(HWPT)[57])提取光谱特征、分形特征、时间特征和空间特征。通过EMD、离散小波变换和小波包分解提取每个子带中的6个统计特征[68]。采用CMIM方法提取4个频段的能量、相对熵、Shannon熵、COV、均值、标准差、频率规律性指数[21]等时频域特征。利用短时傅里叶变换(STFT)提取[22]频段内的相对尺度能量、Shannon熵、COV、频率规律性指数、最大值、最小值、方差、均值、标准差和能量等特征。利用奇异值分解估计奇异值，提出了奇异洛伦兹测度法提取特征。提取洛伦兹不一致特征和洛伦兹一致特征，提取库兹涅茨比、基尼系数和泰尔第一比等最优特征。这些特征是通过脑电信号[33]的IQR判读得到的。

引入PARAFAC方法提取空间光谱特征[38]。通过EMD、多元EMD (MEMD)和噪声辅助MEMD (NA-MEMD)对脑电信号数据进行分解，分别提取相关维数、最大Lyapunov指数、最大线性互相关和非线性相互依赖的特征，并进行Hilbert变换，得到分类[52]的锁相值。应用EWT提取三个特征，利用灰度共现矩阵提取多变量文本特征，通过计算Hadamard乘积提取联合特征。提取的特征绘制在受试者工作特征(ROC)曲线[54]上。通过提出的稀疏有理分解提取LGBP特征，并利用有理离散STFT计算得到8个有理。提取LGBP宽度特征和1D LGBP特征，以区分癫痫发作和非癫痫发作事件[55]。在脑电图信号上应用短时傅里叶变换，利用CNN提取特征用于癫痫检测[65]。利用STFT提取三个频段的能量成分，分别为δ、θ和α，分别为0-4、4-7和8-13 Hz[70]。表3列出了时间-频率技术的摘要。

 

3.4. Nonlinear Domain
3.4.1. Recurrence Quantification Analysis (RQA)

RQA非常适合于非线性数据分析[90]，它可以利用EEG信号捕获各种场景下的瞬态状态[91]。采用RQA方法提取RQA参数，该参数为确定性、平均对角线长度、熵、线性度和捕获时间，由递归图获得[26,31]。采用递归网络提取RQA特征，从递归图推断图论特征结果[75]。采用了近似熵、样本熵、RQA和基于小波能量的[23]四类特征提取方法。

3.4.2. Entropy熵

熵是一个信息程度的量，可以用来从嘈杂的环境中分离有用的信息[92]。利用近似熵(Approximate Entropy, AE)测量EEG信号在不同程度上的不确定性或一致性以及信号的不稳定性变化[93-95]。有N个采样点的信号在m点和m + 1点的r容忍范围内重复自身的对数概率用近似熵表示。对于长度为N的给定时间序列y(i)， N−m + 1个向量y(1)， y(2)，…， Y(N−m + 1)。AE给出如下[93]:

样本熵是AE的修正版本。采用庞加莱映射计算交点，构建一维序列，提取分位数、IQR、Shannon熵、RMS、COV、能量等7个特征来区分癫痫发作与非癫痫发作记录[67]，如表4所示。

3.4.3. Hjorth’s Parameters Hjorth的参数

Hjorth的参数根据EEG信号的时域特征，如振幅(活度)、斜率(移动性)和斜率扩展(复杂性)来定义EEG信号，因此被称为“归一化斜率描述符”(nsd)[96]。描述符可以在时域和频域中描述任何信号，并收集其重要特征，如能量含量、频率和波形复杂度[97]。在[98]中，除了其他特征外，它们还被用于区分前期和间期脑电图。

第一个Hjorth参数，活度，是EEG信号X的方差σ2X。

第二个Hjorth参数迁移率表示为:

第三个Hjorth参数复杂度定义为:

3.5Other Feature Extraction Methods其他特征提取方法

提取Lyapunov指数特征的非线性特征[21,22]。采用多变量特征提取方法提取文本特征，通过通道选择提取单变量、双变量和多变量特征;将这些特征映射到二维图像上，利用GLCM矩阵提取均匀性特征[29]。利用Mallet’s散射变换提取Shannon熵、Renyi熵、排列熵和谱熵[53]。采用稀疏特征选择方法提取了8个绝对谱功率特征和44个相对谱功率特征、谱功率比特征，特别是采用稀疏贝叶斯多项式logistic回归(SBMLR)，提高了分类精度[60]。采用频时分复用(FTDM)滤波器提取患者特异性癫痫发作检测的空间、时间和光谱特征[37]。采用线性和非线性滤波操作提取压缩感知脑电图[18]的谱能特征。开发了一个八通道特征提取引擎，利用机器学习算法[20]提取光谱、空间和时间特征。

采用叠加自编码器从原始脑电图[25]中提取识别特征。提取奇异值、总平均功率、三角频带平均功率、方差和均值，利用奇异特征和经典特征检测癫痫发作，采用奇异值分解(SVD)选择奇异特征。作者采用稀疏编码器提取隐藏的内在特征，分析上下文信息提取时间特征[39]。应用机器学习算法提取脑电信号分类[45]的空间、光谱和时间特征。用于癫痫检测的特征是由自适应分割方法[59]计算出的重合变化点。

基于斜率的检测算法被开发出来提取特征，并在FPGA中实现检测癫痫[62]。采用一维和二维卷积层提取时空特征来预测发作和非发作[71]。

通过基于相关矩阵计算最大信息系数(MIC)提取全局同步特征，其中癫痫发作特征和非癫痫发作特征被区分[72]。利用转导迁移学习模糊系统(TTL-FS)进行特征提取[76]。特征提取方法包括三个步骤，分别是分割、同步和基于最大信息系数(CMMIC)的相关矩阵[78]。

采用重构相空间技术创建以脑电图信号为代表的动力系统的相空间[99]。因此，在相空间中表示状态随时间变化的特征向量可以捕获系统的动态。轨迹的几何形状可以使用短整数或分数阶时延嵌入[100]来创建，可以揭示脑电图信号的周期性/混沌性质的信息，可用于癫痫识别。

3.6. Statistical Analysis T ests 统计分析T检验

特征分析使用统计检验，这涉及到分类。[46,52,58,60,66]采用方差分析(ANOV A)统计检验，[51]采用Mann-Whitney统计检验。采用ROC曲线对[40,48,54,58,65,72]中的特征进行排序。统计检验确定的概率值(p值)用于特征[51]的选择。测定[40]中的p值和q值，并对[32]进行Gram-Schmidt分析。

4. Classification分类

分类是癫痫发作诊断的重要步骤。CHB-MIT数据库中的癫痫分期(见图4)通过使用各种机器学习分类器进行分类。

4.1. 两类分类(发作与非发作)

作者在他们的研究中应用了分类器，以提供更好的癫痫发作分类。在LDA分类器中提取和补充统计特征，以区分发作和非发作级别[15]。通过提取光谱能量特征对癫痫发作进行分类，采用支持向量机分类器[17]。

提取压缩域谱特征并将其交给支持向量机分类器进行癫痫分类[18]。基于新型冠状病毒的能量相对值和提取的特征，使用LDA分类器[19]对发作和非发作事件进行分类。使用线性支持向量机的光谱和空间成分特征提供了82.7%的癫痫检出率。采用7种不同的特征选择方法提取时间、频率、时频和非线性域特征，并用支持向量机[21]进行分类。癫痫发作和非癫痫发作的区分由二元分类器使用多维粒子群优化(PSO)的集体网络提供，支持向量机分类器提供一般分类，其中提取时间、频率、时频和非线性域特征[22]。采用三种非线性特征提取方法，采用支持向量机和ELM方法对癫痫发作[23]进行分类。提取基于小波的特征和统计特征，采用线性分类器，分类准确率为84.2%[24]。特征提取使用堆叠自动编码器和逻辑分类器进行癫痫检测[25]。

提取基于熵的特征，并将这些特征输入支持向量机进行发作和非发作的分类[27]。提取癫痫发作的时域、频域特征以及基于熵的和基于离散小波的特征，并将其纳入无监督分类的k-means聚类方法中，用于癫痫发作检测[28]。采用二值支持向量机分类器对发作和非发作事件[29]进行区分。

提取RQA特征并将其添加到ECOC分类器中，以区分癫痫发作与非癫痫发作[30]。采用LDC、二次判别分类器(QDC)、非相关正态密度分类器(UDC)、多项式分类器(POLYC)、Logistic分类器(LOGLO)、K-NN分类器、决策树、Parzen分类器和支持向量机[27]等分类器提取并给出频域特征，用于癫痫发作和非癫痫发作的分类。将提取的特征的一致和不一致的度量值输入K-NN分类器，最后由MLP神经网络[32]提供分类。提取了7个基于DWT非线性的特征，并将其分配给两层分类器:NB分类器和LDA分类器。使用几种分类器LDA、QDA、Mahalanobis判别分析(MDA)、NB和支持向量机[34]获得比较结果。采用SVM分类器进行癫痫检测，提取经典值和奇异值[36]。引入线性支持向量机，给出癫痫发作分类[37]。采用LDA和支持向量机对癫痫发作和非癫痫发作进行分类。通过K-means聚类[38]得到比较结果。提取隐藏特征和时间特征，并将其交给支持向量机和神经网络(NN)进行癫痫分类[39]。采用K-NN分类器[40]提取805个特征，用于癫痫发作和非癫痫发作的识别。

提取光谱特征，并将其输入LDA和模式神经网络(PRNN)，用于癫痫发作[41]的检测。提取基于直方图的统计特征，选择最优特征。利用MLP和贝叶斯分类器提供更好的分类[42]。提取频域特征，采用线性支持向量机进行癫痫发作检测[43]。对线性支持向量机和非线性支持向量机进行比较分类，其中非线性支持向量机分类器[44]提高了灵敏度和特异性。基于光谱、空间和时间的特征被提取并用于分类。RUSBoost与RBF核支持向量机进行了比较，结果表明该分类器的性能与支持向量机[45]相当。利用光谱特征，采用支持向量机和ELM对发作和非发作事件[46]进行分类。

基于反向传播算法的神经网络分类器用于癫痫发作和非癫痫发作[47]之间的分类。癫痫发作检测采用基于小波的特征和时域特征，采用支持向量机分类器[48]。进行时频域特征提取，利用ELM分类器区分发作与非发作[49]。提取3个特征，用6个知名的分类器进行分类，分别是RF分类器、功能树(FT)分类器、K-NN、C4.5分类器、NB和Bayes Net[50]。提取LGBP特征，并将其添加到不同的分类器中，如Logistic回归、随机森林和线性核支持向量机，用于癫痫检测[55]。利用遗传算法提供癫痫检测[56]。提取能量和时间特征，利用RVM来区分发作和非发作事件[57]。癫痫发作分类使用基于斜率的检测器[62]。癫痫发作和非癫痫发作事件的区分采用自适应距离变化点检测器的方法[63]。

提取时域和时频域特征，采用模糊分类器检测癫痫发作和发作前事件[66]。提取7个特征，使用两层包含SVM和NB分类器的分类器进行癫痫和非癫痫分类[67]。采用癫痫发作选择方法(SSM) I、II、III、IV对发作前、发作前和发作间期状态进行分类[70]。提取时空特征并将其添加到CNN中，以提供癫痫发作的分类[71]。

VGGnet分类器旨在提供癫痫发作分类[72]。提取光谱特征，并采用SSM检测癫痫发作[73]。癫痫发作检测借助LDA分类器[74]。提取时频域特征，使用ANFIS分类器区分发作和非发作事件[76]。射频用于癫痫发作和非癫痫发作的分类，提取非线性特征[77]。癫痫发作分类提出了一种浅密度网[78]。提取统计特征，采用ANN、K-NN、SVM和LDA四种不同的分类器进行分类。其中，K-NN具有较好的准确性[79]。用支持向量机和射频分类器对癫痫发作和正常事件进行两类分类[80]。

4.2. 在发作前，发作间期，发作期，发作后期之间的分类

采用支持向量机分类器对[14]中期和后期进行分类。

提取二元特征，并采用支持向量机分类器提供四类之间的分类，即前期、中期和间歇期[16]。提取统计特征，并将这些特征输入5个不同的分类器，即线性支持向量机、逻辑回归(Log-reg)、K-NN、NB和RF，用于初步检测[29]。对光谱成分进行分解，并将其输入SVM分类器，以提供间叶和前叶[52]之间的分类。提取频谱特征并将其交给核稀疏表示分类器对癫痫发作、发作前和发作间期[60]进行分类。

提取基于模糊的特征并在ldg - svm中提供，以便更好地分类[61]。进行频域特征提取，并使用CNN对发作前和发作间期脑电图记录进行分类[65]。提取时频域特征，并通过SVM、RF、MLP和KNN等四种不同的分类器提供了期间期和期间期以及期前期的区分[68]。提取时频域特征，并利用LSTM实现前状态和间状态之间的分类[69]。

4.3. 分类性能

通过灵敏度、特异性、准确性、假阳性值和阳性预测值等不同的性能矩阵来评价脑电信号自动分类的性能。这些矩阵在数学上给出如下:

其中，P表示发作期间的样本数量，N表示非发作期间的样本数量。FP(假阳性)表示非发作事件的样本数量，而发作事件的样本数量是错误的。FN(假阴性)表示发作事件的样本数，而错误表示未发作事件的样本数，TP和TN分类正确。

敏感度衡量系统检测癫痫发作事件的能力，特异性衡量系统检测非癫痫发作事件的能力。潜伏期也是癫痫自动诊断的一个重要指标。延迟对应于检测延迟，即系统检测癫痫发作所花费的时间。

5. Conclusions

癫痫是一种由癫痫频繁发作引起的神经系统疾病，可以通过脑电图信号进行检查，这有助于探索大脑的精神状态。视觉检测与诊断是脑电图信号分析中繁琐的工作。

在本文中，介绍和讨论了适用于CHB-MIT数据集中的癫痫自动检测的各种技术。研究了时域、频域、时频域和非线性域的特征提取技术。我们还讨论了不同的基于机器学习的分类器，它们适用于癫痫发作、非癫痫发作、发作前、发作前、发作间期和发作后状态的分类。从灵敏度、特异性、精密度和潜伏期等方面给出了每种方法的性能，确保了癫痫发作及其分期的自动诊断是高效的，可以实际实施，提高癫痫疾病的诊断水平。

通过对以往癫痫自动检测工作的总结，我们可以了解到目前个性化医疗中癫痫自动检测的研究方向。