PCA、KMeans、KNN分类癫痫病猝发的信号

方法

采用主成分分析方法可以提高识别成功率，减少计算量。通过对19通道脑电数据的均值、方差、峰度、标准差、熵、偏度、最小值和最大值等8个统计量来选择最具代表性的主成分。 数据处理 PCA是一种特征提取技术，它将高维数据集转换为低维正交特征(特征向量)空间，同时保留原高维数据的最大方差。

graph LR A[19通道原始EEG] -->B[PCA特征提取] B --> C[Kmeans,KNN分类器]

Kmeans步骤

  1. 随机选择"c"集群中心。

  2. 计算每个数据点与簇中心之间的距离。

  3. 指定到簇中心的数据点，该数据点到簇中心的距离是所有簇中心中最小的。 Img

  4. 重新计算新的集群中心，使用"Ci"表示每h集群中的数据点数量。

  5. 重新计算每个数据点与新得到的簇中心之间的距离。

  6. 如果没有重新分配数据点，则停止，否则重复步骤3。

KNN步骤

  1. 预先确定参数K =最近邻居的数量。这个值完全取决于您。

  2. 计算查询实例与所有训练样本之间的距离。你可以使用任何距离算法。

  3. 对所有训练样本的距离进行排序，并根据第k个最小距离确定最近的邻居。

  4. 由于这是监督学习，得到你的训练数据的所有类别的排序值属于K。

  5. 使用最近邻的大多数作为预测值。

结果

Img

研究基于实验和性能测试结果得出癫痫发作信号的发作前和发作前KNN的准确率均远高于K均值，今后应结合癫痫特征识别技术进行应用