齊永鋒,裴曉旭,呂雪超,王 靜
(西北師范大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院,甘肅 蘭州 730070)
癲癇是一種慢性神經(jīng)系統(tǒng)疾病,這種疾病會(huì)擾亂大腦神經(jīng)元的正常活動(dòng),發(fā)作時(shí)患者可能會(huì)出現(xiàn)受傷甚至危及生命的緊急情況,給患者帶來(lái)了極大的心理壓力與工作生活困難[1]。因此,迫切需要一種實(shí)用可靠的自動(dòng)化技術(shù)來(lái)實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)癲癇發(fā)作。在癲癇發(fā)作出現(xiàn)臨床癥狀之前,最常見(jiàn)的推斷方法是分析腦電信號(hào)EEG(ElectroEncephaloGram)。EEG是一種無(wú)創(chuàng)、多通道的腦電活動(dòng)記錄。由于包含了很多病理信息,腦電信號(hào)中的某些特征通常被用于一些腦部疾病的臨床診斷,特別是對(duì)于癲癇患者的觀察和治療,其作用是其他檢測(cè)方法無(wú)法替代的[2]。
在過(guò)去的幾十年中,關(guān)于癲癇識(shí)別和預(yù)測(cè)的研究方法很多,傳統(tǒng)的方法一般需要人工設(shè)計(jì)算法來(lái)獲取腦電信號(hào)特征,然后與機(jī)器學(xué)習(xí)相關(guān)分類(lèi)器相結(jié)合實(shí)現(xiàn)癲癇信號(hào)的自動(dòng)識(shí)別。提取信號(hào)特征的方法通常包括時(shí)域、頻域和時(shí)頻域3種,如利用小波變換、形態(tài)學(xué)分析等方法提取樣本特征,然后通過(guò)隨機(jī)森林、最近鄰和支持向量機(jī)等方法對(duì)樣本進(jìn)行分類(lèi)。Hwang等[3]提出基于短時(shí)傅里葉變換FTST(Short-Time Fourier Transform)的腦電信號(hào)時(shí)頻域分析方法,在處理分段平穩(wěn)信號(hào)或近似平穩(wěn)信號(hào)時(shí)達(dá)到了較好的頻率分辨率。然而對(duì)于非平穩(wěn)信號(hào),利用該方法獲得的頻譜圖中存在能量不集中的現(xiàn)象,故而難以進(jìn)一步提取EEG特征。2011年Daubechies等[4]提出了一種同步壓縮變換SST(SynchroSqueezing Transform)的時(shí)頻域處理方法,該方法首先計(jì)算時(shí)頻譜的瞬時(shí)頻率,在頻譜圖中以頻率方向?qū)⒛芰恐匦路植?,使得最后獲得的頻率曲線更加精準(zhǔn),極大地提高了時(shí)頻可讀性[5]。2014年,Oberlin等[6]提出以短時(shí)傅里葉變換為基礎(chǔ)的傅里葉同步壓縮變換FSST(Fourier-based SynchroSqueezing Transform),通過(guò)對(duì)信號(hào)進(jìn)行STFT變換獲取信號(hào)瞬時(shí)頻率,經(jīng)過(guò)同步壓縮處理后銳化了腦電數(shù)據(jù)頻譜圖像,改善信號(hào)時(shí)頻曲線交叉現(xiàn)象,同時(shí)FSST也支持信號(hào)重構(gòu)。同步壓縮變換的提出為癲癇腦電信號(hào)的處理提供了新的思路[7]。
目前的各類(lèi)深度學(xué)習(xí)網(wǎng)絡(luò)模型已經(jīng)能夠理解和識(shí)別一般的自然圖像,尤其是卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network)不需要人工提取就能夠自動(dòng)學(xué)習(xí)圖像特征,已成功應(yīng)用于許多領(lǐng)域中。CNN雖然對(duì)圖像的特征提取和學(xué)習(xí)能力較強(qiáng),但用于癲癇腦電分析時(shí)仍需要大量的癲癇腦電訓(xùn)練數(shù)據(jù),并且由于復(fù)雜度過(guò)高、數(shù)據(jù)分類(lèi)不平衡導(dǎo)致其性能不穩(wěn)定,樣本量太少導(dǎo)致其識(shí)別能力差。Goodfellow等[8]于2014年提出了生成式對(duì)抗網(wǎng)絡(luò)GAN(Generative Adversarial Network),該網(wǎng)絡(luò)通過(guò)對(duì)抗博弈訓(xùn)練來(lái)模擬生成模型,通常將原始圖像和隨機(jī)噪聲共同作為輸入,以對(duì)抗學(xué)習(xí)的方式進(jìn)行訓(xùn)練,不斷估計(jì)數(shù)據(jù)樣本的潛在分布,同時(shí)自動(dòng)生成靠近真實(shí)數(shù)據(jù)的樣本,緩解了帶標(biāo)簽的癲癇腦電數(shù)據(jù)嚴(yán)重不足的問(wèn)題。然而,GAN網(wǎng)絡(luò)的不穩(wěn)定性也會(huì)導(dǎo)致輸出不理想、性能不穩(wěn)定及系統(tǒng)崩潰等問(wèn)題的產(chǎn)生。Radford等[9]針對(duì)上述問(wèn)題,提出了深度卷積對(duì)抗生成網(wǎng)絡(luò)DCGAN(Deep Convolutional GAN)。通過(guò)把有監(jiān)督學(xué)習(xí)的CNN模型和無(wú)監(jiān)督學(xué)習(xí)的GAN結(jié)合在一起,在生成對(duì)抗網(wǎng)絡(luò)模型中引入卷積運(yùn)算進(jìn)行無(wú)監(jiān)督訓(xùn)練,卷積神經(jīng)網(wǎng)絡(luò)的特征提取優(yōu)勢(shì)有效提升了生成對(duì)抗網(wǎng)絡(luò)的學(xué)習(xí)能力。
為了更準(zhǔn)確地檢測(cè)癲癇發(fā)作,本文把 FSST 方法和DCGAN引入到癲癇發(fā)作預(yù)測(cè)任務(wù)中,提出基于同步壓縮短時(shí)傅里葉變換FSST和深度卷積生成對(duì)抗網(wǎng)絡(luò)DCGAN的癲癇腦電信號(hào)檢測(cè)方法。本文工作主要包括以下內(nèi)容:(1)針對(duì)短時(shí)傅里葉變換對(duì)腦電信號(hào)數(shù)據(jù)進(jìn)行處理時(shí)存在的問(wèn)題,加入了同步壓縮方法,以獲得更精確的頻率曲線,明顯提高了EEG信噪比和信號(hào)提取精度;(2)為了有效解決癲癇腦電信號(hào)樣本量不足、特征提取手段較為單一的問(wèn)題,構(gòu)建了深度卷積生成對(duì)抗網(wǎng)絡(luò)用作特征提取器;(3)對(duì)獲取的腦電信號(hào)特征進(jìn)行分類(lèi)識(shí)別和標(biāo)記,實(shí)現(xiàn)癲癇發(fā)作預(yù)測(cè)。在CHB-MIT頭皮腦電數(shù)據(jù)集上進(jìn)行仿真分析與實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,所提方法具有較高的分類(lèi)精度,可達(dá)到97.9%。生成對(duì)抗網(wǎng)絡(luò)作為一種無(wú)監(jiān)督學(xué)習(xí)技術(shù),可有效解決樣本量不足的問(wèn)題,結(jié)合同步壓縮變換預(yù)處理方法后取得了良好的實(shí)驗(yàn)結(jié)果,具有良好的癲癇腦電信號(hào)檢測(cè)性能和臨床應(yīng)用潛力。
短時(shí)傅里葉變換STFT方法是一種常用的信號(hào)時(shí)頻域分析法。相比傅里葉變換多了加窗平滑處理的過(guò)程,先加窗再進(jìn)行傅里葉變換,將信號(hào)視為短時(shí)平穩(wěn)信號(hào)的不斷拼接,得到不同時(shí)刻的頻譜,對(duì)于非平穩(wěn)信號(hào)具有較好的處理能力。首先利用STFT對(duì)信號(hào)s(t)進(jìn)行處理,如式(1)所示:
(1)
其中,g(·)為窗函數(shù)。Gs(ω,t)定義為STFT的頻譜圖。信號(hào)在位于t處的短時(shí)傅里葉變換等于信號(hào)與該時(shí)刻處的窗函數(shù)g(u-t)傅里葉變換之積。簡(jiǎn)而言之,短時(shí)傅里葉變換的思想是首先確定固定的窗函數(shù),假定信號(hào)在窗內(nèi)是平衡的,采用傅里葉變換分析窗內(nèi)信號(hào),通過(guò)移動(dòng)窗函數(shù),得到信號(hào)頻率隨時(shí)間的變化關(guān)系,從而確定輸入信號(hào)局部區(qū)域的頻率譜。由于STFT采用固定的窗函數(shù),分辨率也被確定下來(lái),當(dāng)信號(hào)變化劇烈或者變化較為平緩時(shí),STFT無(wú)法同時(shí)兼顧時(shí)間和頻率上的分辨率要求[10],因此不能達(dá)到最優(yōu)。
而同步壓縮變換(SST)能夠?qū)⑿盘?hào)進(jìn)行分解,使得信號(hào)具有時(shí)變振蕩特性。通過(guò)計(jì)算時(shí)頻譜的瞬時(shí)頻率,將圖中的能量以頻率方向進(jìn)行壓縮,提高時(shí)頻的可讀性[11]。
Gs(ω,t)相位不受時(shí)間窗長(zhǎng)度的影響,利用其相位來(lái)計(jì)算瞬時(shí)頻率vG(ω,t),若Gs(ω,t)不等于0,則能夠得到時(shí)頻譜中每一個(gè)時(shí)頻點(diǎn)的瞬時(shí)頻率,如式(2)所示:
(2)
Figure 3 Process of generative adversarial networks
通過(guò)式(2)計(jì)算得到瞬時(shí)頻率,通過(guò)映射(t,ω)→(t,vG(ω,t))在時(shí)頻平面內(nèi)對(duì)初步的時(shí)頻分布沿著頻率方向進(jìn)行重新分配,時(shí)頻重排可以表示為式(3):
(3)
其中,δ(·)為單位脈沖函數(shù)。
同步壓縮SST在頻率方向?qū)TFT的結(jié)果進(jìn)行壓縮。作為一種后處理工具,SST能夠達(dá)到提升時(shí)頻譜能量聚集的目的[12],還可以重構(gòu)信號(hào),從而提高了最終識(shí)別正確率。
圖1為原始腦電信號(hào)圖。信號(hào)經(jīng)過(guò)同步壓縮變換處理后得到的時(shí)頻圖像如圖2所示,從圖2可以看出,在相應(yīng)的時(shí)間和頻率下能量不同。由圖2可知,經(jīng)過(guò)FSST變換后得到的頻率譜能量聚集性較高,頻率曲線明顯。
Figure 1 Original EEG
Figure 2 Time-frequency image after preprocessing
生成對(duì)抗網(wǎng)絡(luò)GAN是一種深度學(xué)習(xí)模型,最早由Goodfellow于2014年提出,主要由2部分結(jié)構(gòu)組成:生成器G和判別器D。G和D是一種博弈對(duì)抗關(guān)系,在博弈過(guò)程中生成器生成的偽樣本慢慢接近真實(shí)數(shù)據(jù),判別器的判斷能力逐漸增強(qiáng),最終達(dá)到一種動(dòng)態(tài)平衡[13,14]。該過(guò)程可以用式(4)表示:
Ez~Pz(z)[log(1-D(G(z)))]
(4)
其中,x為真實(shí)數(shù)據(jù),服從真實(shí)數(shù)據(jù)分布Pdata(x);z為隨機(jī)噪聲,服從先驗(yàn)分布Pz(z);G(z)是將隨機(jī)噪聲z輸入到生成器所產(chǎn)生的偽樣本;D(x)和D(G(z))分別為判別器判斷x和G(z)為“真”的概率。生成對(duì)抗網(wǎng)絡(luò)工作過(guò)程如圖3所示。
Radford等[15]提出了結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和生成對(duì)抗網(wǎng)絡(luò)的深度卷積生成對(duì)抗網(wǎng)絡(luò)DCGAN模型。針對(duì)DCGAN存在的一些問(wèn)題,如網(wǎng)絡(luò)訓(xùn)練難以收斂、生成樣本質(zhì)量不高等,本文在深度卷積生成對(duì)抗網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行以下改進(jìn):在每一個(gè)卷積層中增加批標(biāo)準(zhǔn)化BN(Batch Normalization)來(lái)優(yōu)化網(wǎng)絡(luò)模型,使其更好地學(xué)習(xí)數(shù)據(jù)特征;用卷積層替代池化層,使生成對(duì)抗網(wǎng)絡(luò)訓(xùn)練CNN時(shí)更加穩(wěn)定。DCGAN以無(wú)監(jiān)督的方式進(jìn)行訓(xùn)練,訓(xùn)練生成的判別器可以用于圖像的特征提取。
本文使用的深度卷積生成對(duì)抗網(wǎng)絡(luò)中的生成器結(jié)構(gòu)如圖4所示。生成器從隨機(jī)噪聲中獲取100維樣本作為輸入。輸入端與輸出大小為6 272的隱藏層完全連接,然后將其整形為64×7×14。隱藏層之后是3個(gè)反卷積層,卷積核大小為5×5,步長(zhǎng)為2×2。3個(gè)反卷積層的卷積核數(shù)目分別為32,16和16。生成器的輸出與腦電信號(hào)預(yù)處理后的頻譜圖像具有相同的維數(shù)。
Figure 4 Structure of generator
Figure 5 Structure of discriminator
另一方面,判別器將生成的EEG數(shù)據(jù)與真實(shí)數(shù)據(jù)區(qū)分開(kāi)來(lái),其結(jié)構(gòu)如圖5所示。輸入EEG信號(hào),經(jīng)過(guò)同步壓縮短時(shí)傅里葉變換預(yù)處理,生成頻譜圖,輸入樣本數(shù)據(jù)維度為56×112。之后由3個(gè)卷積層提取特征,卷積核大小為5×5,步長(zhǎng)為2×2,3個(gè)卷積層的卷積核數(shù)目分別為16,32和64。提取的特征被展平輸入到2個(gè)全連接層中,輸出維度分別為256和2。
本文實(shí)驗(yàn)數(shù)據(jù)來(lái)自由波士頓兒童醫(yī)院CHB(Children’s Hospital Boston)和麻省理工學(xué)院MIT(Massachusetts Institute of Technology)共同創(chuàng)建的頭皮腦電信號(hào)開(kāi)源數(shù)據(jù)集。該數(shù)據(jù)集為全球提供大量可免費(fèi)公開(kāi)訪問(wèn)的生理信號(hào)數(shù)據(jù)。CHB-MIT數(shù)據(jù)集包含23名年齡在3~22歲的癲癇患者的頭皮腦電數(shù)據(jù),其中男性5名,女性18名。數(shù)據(jù)集詳細(xì)描述見(jiàn)文獻(xiàn)[16]。
由于原始數(shù)據(jù)無(wú)法直接應(yīng)用到具有3個(gè)卷積層的生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)中,所以需要先對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。使用同步壓縮短時(shí)傅里葉變換方法將時(shí)間序列EEG信號(hào)轉(zhuǎn)換成由頻率軸和時(shí)間軸組成的二維矩陣。
不同患者的腦電記錄的通道數(shù)量不全相同,如Pat4和Pat13 2位患者的腦電記錄分別有20個(gè)和17個(gè)可用通道。為了便于數(shù)據(jù)合并和更有效地訓(xùn)練GAN,本文預(yù)處理按照文獻(xiàn)[17]中的方法,在CHB-MIT數(shù)據(jù)集中為每個(gè)患者選擇16個(gè)通道,使所有患者具有相同數(shù)量的通道。利用短時(shí)傅里葉變換,使用1 s長(zhǎng)度和50%重疊的余弦窗口,對(duì)腦電信號(hào)進(jìn)行時(shí)頻分析。由于STFT會(huì)嚴(yán)重受到噪聲影響,且得到的頻譜圖像分辨率不高,導(dǎo)致最后的分類(lèi)效果不佳,故下一步通過(guò)同步壓縮變換對(duì)STFT得到的時(shí)頻平面能量在頻率方向進(jìn)行重新分配,對(duì)時(shí)頻曲線進(jìn)行壓縮,以達(dá)到提高分辨率的目的。最后將時(shí)間序列EEG信號(hào)轉(zhuǎn)換成由頻率軸和時(shí)間軸組成的二維矩陣。
為了準(zhǔn)確評(píng)價(jià)本文提出的方法,利用Schelter等[18]提出的評(píng)價(jià)方法。由于目前關(guān)于癲癇發(fā)作預(yù)測(cè)方法均無(wú)法準(zhǔn)確預(yù)測(cè)到癲癇發(fā)作的具體時(shí)刻,而是確定癲癇發(fā)作的一個(gè)時(shí)間范圍,文獻(xiàn)[18]定義了發(fā)作出現(xiàn)時(shí)期SOP(Seizure Occurrence Period)和發(fā)作預(yù)測(cè)范圍SPH(Seizure Prediction Horizon)2個(gè)變量。其中,發(fā)作預(yù)測(cè)范圍(SPH)指的是癲癇發(fā)作前的預(yù)測(cè)時(shí)間段,發(fā)作出現(xiàn)時(shí)期(SOP)指癲癇一定會(huì)發(fā)作的時(shí)間段。為了給出正確的預(yù)測(cè),癲癇發(fā)作點(diǎn)必須在SPH之后且在SOP范圍內(nèi)。也就是說(shuō)系統(tǒng)發(fā)出警報(bào)之后,在SPH內(nèi)無(wú)癲癇發(fā)作,而在SOP內(nèi)有一次發(fā)作被視為一次正確的預(yù)測(cè),反之則為一次錯(cuò)誤的預(yù)測(cè)。
在臨床醫(yī)療應(yīng)用中,SPH過(guò)短會(huì)影響對(duì)患者的治療和干預(yù),太長(zhǎng)會(huì)造成患者和醫(yī)護(hù)人員的心理壓力,因此SPH也被稱(chēng)為干預(yù)時(shí)間。在本文實(shí)驗(yàn)中,SOP設(shè)置為30 min,SPH設(shè)置為5 min。癲癇發(fā)作的確切時(shí)間可能在SOP內(nèi)有所不同,故預(yù)測(cè)存在一定的不確定性。
本文分別利用敏感性、特異性、準(zhǔn)確率和假陽(yáng)性率對(duì)癲癇腦電信號(hào)檢測(cè)方法的性能進(jìn)行評(píng)價(jià)。
(1)敏感性Sen(Sensitivity),指檢測(cè)系統(tǒng)對(duì)癲癇即將發(fā)病的敏感程度(識(shí)別能力),計(jì)算如式(5)所示:
(5)
其中,NPS為正確識(shí)別癲癇發(fā)作前期的次數(shù),NTN為癲癇發(fā)作前期總次數(shù)。
(2)特異性Spe(Specificity),指檢測(cè)系統(tǒng)對(duì)癲癇發(fā)作間期的特征識(shí)別能力,計(jì)算如式(6)所示:
(6)
其中,NCS為正確識(shí)別的發(fā)作間期的次數(shù),NTS為發(fā)作間期的總次數(shù)[19]。
(3)準(zhǔn)確率Acc(Accuracy),評(píng)估測(cè)量系統(tǒng)分類(lèi)性能的優(yōu)劣,計(jì)算如式(7)所示:
(7)
(4)假陽(yáng)性率FPR(False Positive Rate),表示當(dāng)前被錯(cuò)誤分到癲癇發(fā)作前期類(lèi)別中的樣本所占比例,計(jì)算如式(8)所示:
(8)
本文實(shí)驗(yàn)在Windows操作系統(tǒng)下進(jìn)行,基于開(kāi)源深度學(xué)習(xí)框架TensorFlow,使用編程語(yǔ)言Python實(shí)現(xiàn)。實(shí)驗(yàn)數(shù)據(jù)來(lái)自CHB-MIT腦電數(shù)據(jù)集中的23名患者的相關(guān)數(shù)據(jù),采用十折交叉驗(yàn)證方法。
3.3.1 本文方法檢測(cè)效果
本文基于SOP=30 min和SPH=5 min計(jì)算所有指標(biāo)。通過(guò)CHB-MIT腦電數(shù)據(jù)集獲得的癲癇發(fā)作預(yù)測(cè)結(jié)果。
表1詳細(xì)描述了CHB-MIT數(shù)據(jù)集中各患者的信息及其識(shí)別準(zhǔn)確率,包括患者性別、癲癇發(fā)作次數(shù)、持續(xù)時(shí)間和間隔時(shí)間等。本文方法對(duì)不同患者的檢測(cè)結(jié)果各不相同,其中Chb07患者的識(shí)別準(zhǔn)確率最高,為99.12%,23名患者的平均識(shí)別準(zhǔn)確率達(dá)到了97.97%。
3.3.2 特征提取有效性分析
對(duì)于癲癇發(fā)作預(yù)測(cè)任務(wù),最關(guān)鍵的部分是確定所有陽(yáng)性病例,即錯(cuò)過(guò)癲癇發(fā)作前期但未被發(fā)現(xiàn)的患者腦電數(shù)據(jù)。此外,實(shí)驗(yàn)結(jié)果中錯(cuò)誤警報(bào)的次數(shù)越少,方法性能越好。因此,對(duì)實(shí)驗(yàn)結(jié)果的評(píng)估主要基于靈敏度、FPR值及準(zhǔn)確率。
本文比較了半監(jiān)督學(xué)習(xí)模型FSST-DCGAN和完全監(jiān)督模型CNN在CHB-MIT數(shù)據(jù)集上的檢測(cè)效果,同時(shí)也將文獻(xiàn)[20]中的方法在CHB-MIT數(shù)據(jù)集上進(jìn)行了仿真實(shí)驗(yàn),結(jié)果如表2所示。結(jié)果顯示,在不同方法對(duì)不同患者的檢測(cè)結(jié)果各不相同,這與數(shù)據(jù)特征有關(guān),如癲癇發(fā)作次數(shù)和時(shí)間間隔等。FSST-DCGAN方法在該數(shù)據(jù)集上的平均敏感度高于表2中CNN和CNN仿真實(shí)驗(yàn)的結(jié)果,達(dá)到了89.06%;同時(shí),對(duì)于患者Chb01,Chb02,Chb03,Chb09,Chb18,Chb21和Chb23來(lái)說(shuō),本文方法的FPR值為0,這說(shuō)明本文方法相較于CNN模型對(duì)癲癇發(fā)作預(yù)測(cè)更加有效。
為進(jìn)一步分析本文所提方法,將其與最近使用CHB-MIT數(shù)據(jù)集進(jìn)行癲癇檢測(cè)的方法進(jìn)行比較,結(jié)果如表3所示。
Table 1 Detection results of the proposed method
Table 2 Result comparison of CNN method and the proposed method
Table 3 Results comparison of different feature extraction methods
從表2和表3可以看出,本文方法與不同特征提取方法相比,識(shí)別準(zhǔn)確率明顯較高,但還存在需改進(jìn)的地方,比如對(duì)于一些患者,F(xiàn)PR值較高,這也是以后需要研究分析的內(nèi)容。
目前,國(guó)內(nèi)外關(guān)于癲癇腦電信號(hào)檢測(cè)的相關(guān)方法逐漸增多,雖然有些方法已取得較好的結(jié)果,但仍舊處于發(fā)展階段,還有許多問(wèn)題沒(méi)有被完全解決。本文將FSST和DCGAN引入癲癇腦電信號(hào)檢測(cè)中,提出了一種新的FSST-DCGAN模型來(lái)預(yù)測(cè)癲癇發(fā)作。在CHB-MIT數(shù)據(jù)集上評(píng)估了該方法的性能,實(shí)驗(yàn)結(jié)果表明,本文提出的FSST比傳統(tǒng)的STFT更好,有效提高了腦電信號(hào)的提取精度。同時(shí),使用深度卷積生成對(duì)抗網(wǎng)絡(luò)進(jìn)行特征提取,既減少了EEG昂貴又耗時(shí)的標(biāo)記任務(wù),又有效解決了樣本量不足的問(wèn)題。結(jié)合2種方法提取腦電信號(hào)數(shù)據(jù)特征的方法在癲癇預(yù)測(cè)任務(wù)中取得了較為理想的敏感性和準(zhǔn)確率。通過(guò)對(duì)比其他特征提取方法,也驗(yàn)證了本文方法在癲癇腦電信號(hào)檢測(cè)上的可行性和有效性。