86、医疗脑电图分类机器学习方法与COVID - 19图像分类研究

医疗脑电图分类机器学习方法与COVID - 19图像分类研究

医疗脑电图分类机器学习方法

在医疗领域，脑电图（EEG）信号分类对于癫痫等疾病的诊断至关重要。众多研究者提出了不同的分类方法，以下是一些主要的研究成果。

1. 不同研究的具体方法与成果

• Harpale等人 ：使用EEG信号记录检测与癫痫发作相关的突然异常放电。采用功率谱密度（PSD）进行特征提取，并提出模糊逻辑模型进行分类。使用CHB - MIT EEG头皮数据集进行实验，最佳准确率为96.48%，但未计算处理时间。
• Radman等人 ：从EEG信号中检测癫痫发作并检查大脑活动。引入Dempster - Shafer证据理论（DSET）进行特征提取，使用集成决策树（EDT）分类器检测大脑状态。基于波恩大学EEG数据集进行评估，最佳准确率为93.33%，未计算处理时间，也未使用F1分数和精度等标准准则进行评估。
• Peng等人 ：通过EEG信号记录检测癫痫发作来解决癫痫诊断的重要因素。构建了基于Stein核的稀疏表示（SR）的新型癫痫发作检测方法，使用三个EEG数据集进行评估，CHB - MIT数据集的最佳准确率为98.21%，波恩数据集和NSC - ND数据集的最佳准确率为98.44%。
• He等人 ：主要基于渐进式深度小波级联（PDWC）和离散小波变换（DWT），准确率高达0.9914。
• Lyu等人 ：主要基于广义卷积原型