《Biomedical Signal Processing and Control》：Epilepsy detection based on optimal filterbank decomposition and KNN classifier
編輯推薦：
癲癇是常見神經系統疾病，全球約 6000 萬人患病。研究人員開展基于最優濾波器組分解和 KNN 分類器的癲癇檢測研究。利用 8 通道余弦調制濾波器組（CMFB）和 KNN 分類器，實現 99.75% 準確率和 0.423s 低計算時間，為癲癇診斷提供新方法。
在醫學領域，神經系統疾病一直是備受關注的難題，其中癲癇作為一種常見的神經系統紊亂病癥，嚴重影響著患者的生活質量。全球范圍內，約有 6000 萬人飽受癲癇之苦。癲癇發作時，患者大腦活動在發作期（ictal state）和發作前期（pre - ictal state）與正常狀態相比，頻率模式會發生顯著變化。目前，癲癇的診斷主要依賴腦電圖（Electroencephalogram，EEG）信號的分析。然而，EEG 信號具有二維非線性和非平穩的特性，傳統的診斷方式是醫生對患者的 EEG 信號進行目視檢查和異常檢測，以此來判斷是否患有癲癇等神經系統疾病。但這種方法存在諸多問題，EEG 信號記錄時間長，分析工作復雜、耗時，還需要專業的腦電圖專家進行解讀。隨著臨床 EEG 數據量的快速增長，專業腦電圖專家卻相對匱乏，因此開發自動化、計算機化的診斷技術迫在眉睫。
在這樣的背景下，為了解決癲癇早期檢測困難、診斷效率低等問題，相關研究人員開展了基于最優濾波器組分解和 KNN 分類器的癲癇檢測研究。該研究成果發表在《Biomedical Signal Processing and Control》上。
研究人員運用的主要關鍵技術方法包括：采用多余弦調制濾波器組（Cosine Modulated Filter Bank，CMFB）方法對癲癇發作的 EEG 信號進行分解。利用 8 通道 CMFB 將信號分割為 8 個子帶，從 13 個特征中通過 Kruskal - Wallis 檢驗（KWT）選取 6 個最優特征，再將這些特征輸入 KNN 分類器進行分析 。研究中使用的數據來源于癲癇患者和健康志愿者。
下面來看具體的研究結果：
- EEG 信號處理步驟：運用 CMFB 方法對癲癇 EEG 信號進行分割，子帶分割在分析信號的每一個瞬間都起著重要作用。通過這種方式，可以獲取信號在低頻和高頻分量范圍內的頻譜信息。
- 實驗平臺及結果：研究在 MATLAB（R2024 - a）平臺上開展，實驗設備的運行頻率為 3.4 GHz，采用 Windows 10 操作系統，搭載 64 位英特爾酷睿 i7 處理器和 8 GB 內存。研究發現，基于原型濾波器幅度響應，可以確定濾波器組中近似重構的標準。通過該研究方法，癲癇檢測的準確率達到了 99.75%，計算時間僅為 0.423s。
研究結論和討論部分表明，該研究提出的方法為神經學應用開發了一種強大且適用的新信號處理方法。通過選擇合適的濾波器長度和窗口參數，能夠獲得規定的滾降因子和阻帶衰減。與離散小波變換相比，該方法在準確率和計算時間上都有明顯優勢。這一研究成果意義重大，為癲癇的早期精準檢測提供了新途徑，有望在臨床診斷中發揮重要作用，幫助醫生更高效、準確地診斷癲癇，進而為患者提供更及時、有效的治療。同時，研究人員還指出，未來可以利用該方法探索其他神經系統疾病的檢測，如假昏迷（Pseudocoma）、抑郁癥等，也可以聚焦于混合濾波器組模型的應用，以去除運動等偽影，進一步提高疾病分類的準確性。
