基于小波分析和机器学习（SVM，KNN，NB，MLP）的癫痫脑电图检测（MATLAB环境）

癫痫是一种由大脑神经元突发性异常放电导致的大脑功能性障碍疾病。据世界卫生组织统计，全球约有7000万人患有癫痫。癫痫患者在发病时呈现肌肉抽搐、呼吸困难、意识丧失等症状。由于癫痫发作的偶然性，患者极有可能在高空、驾驶、游泳等危险情况下发病并丧失意志从而产生意外事故与伤害，并带来不良社会和经济影响。据统计，癫痫患者过早死亡的几率比健康人高出近3倍。医学研究表明，癫痫虽然无法被完全治愈，但是可以通过药物、电刺激或者手术等治疗手段来控制发病。通过建立癫痫预测模型，在发病之前进行警报，可以留给患者足够的时间采取防范和治疗措施，这将显著提高癫痫患者的生活质量。

在脑电图EEG的辅助下，医生结合患者临床表现对癫痫病情进行诊断。脑电图中的脑电信号记录着脑神经细胞自发电生理活动。癫痫患者发病时脑电图上会呈现出棘波、尖波、棘慢波等癫痫特征波，医生可借助特征波进行病情诊断。脑电图用于癫痫研究已经有70多年的历史，在过去的十年中，研究热点逐渐由癫痫检测向癫痫预测转变。尽管在之前的研究中，有大量传统机器学习算法用于建立癫痫预测模型，但都面临需要手动提取特征、泛化性较差等问题。神经网络算法具有自动提取特征、变体多等诸多优点，可适用于处理海量脑电信号的场景。

鉴于此，基于一种基于小波分析和机器学习（支持向量机，朴素贝叶斯，k最近邻，多层神经网络）的癫痫脑电图检测方法，运行环境为MATLAB 2018，部分代码如下：

Matlab 复制代码

%% design wavelet
wname='db4';
nLevel=4;
[a,d]=swt(data,nLevel,wname);
figure(2);
subplot(nLevel+1,2,[1 2]);
plot(Time,data(1,:)); ylabel('Epilepsy EEG');
ylabel('\muV','FontSize',12,'FontWeight','bold','FontName','Times New Roman');
title('Epilepsy EEG(seizures & Non-seizures)','FontName','Times New Roman','FontSize',12,'FontWeight','bold');
grid on;grid minor;
c=2;
for i=1:nLevel
    c=c+1;
    subplot(nLevel+1,2,c);
    plot(Time,a(i,:),'c');
    ylabel(['a_{' num2str(i) '}'],'FontSize',12,'FontWeight','bold','FontName','Times New Roman');
    grid on;grid minor;
     if c==9
       xlabel('Time(Sec)','FontSize',12,'FontWeight','bold','FontName','Times New Roman'); 
    end
    c=c+1;
    subplot(nLevel+1,2,c);
    plot(Time,d(i,:),'r');
    ylabel(['d_{ ' num2str(i) '}'],'FontSize',12,'FontWeight','bold','FontName','Times New Roman');
    grid on;grid minor;
    if c==10
    xlabel('Time(Sec)','FontSize',12,'FontWeight','bold','FontName','Times New Roman'); 
    end
　　％完整代码：https://mbd.pub/o/bread/mbd-Yp2Ul5dp

end

工学博士，担任《Mechanical System and Signal Processing》《中国电机工程学报》《控制与决策》等期刊审稿专家，擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。