基于粒子群优化支持向量机的癫痫发作预测_刘金森.pdf

第 51 卷收稿日期：2022年8月13日，修回日期：2022年9月27日基金项目：国家自然科学基金面上项目（编号：61671221）资助。作者简介：刘金森，女，硕士研究生，研究方向：生物医学信号检测与处理。黄炜嘉，女，博士研究生，讲师，研究方向：生物医学信号检测与处理。李效龙，男，硕士，副教授，研究方向：射频集成电路，生物医疗电子。1引言癫痫是一种危害极大的神经系统疾病，具有突发性与反复性，严重影响了病人的日常生活。越来越多的研究表明，癫痫发作具有可预测性1。如果能够在癫痫发作之前发出警报，提醒病人家属或者医生对病人采取相应措施来抑制癫痫发作，就能够减缓癫痫病人的痛苦，从而降低癫痫发作给患者带来的危害。目前，癫痫发作自动预测已经成为脑电疾病研究领域的热点问题。癫痫发作分为发作前期、发作期、发作后期和发作间期四个阶段2。癫痫预测的主要目标是对癫痫发作前期与癫痫发作间期的脑电信号进行区分，识别出发作前期信号并发出预警，进而达到癫痫预测目的。对于发作前期与发作间期的二分类问题主要分为特征提取和模式识别两个部分。在癫痫病人的脑电信号特征提取方面，学者们做了大量的研究基于粒子群优化支持向量机的癫痫发作预测刘金森黄炜嘉李效龙（江苏科技大学电子信息学院镇江212100）摘要为实现癫痫发作自动预测，采用一种基于粒子群（PSO）与支持向量机（SVM）方法相结合的癫痫发作预测模型。首先利用小波包变换提取小波包系数相对能量特征，接着将训练样本输入到支持向量机中，经过粒子群算法寻找最优参数从而实现对测试样本进行分类识别，最后论文提出一种阈值决策方法对支持向量机输出结果进行后处理。对CHB-MIT癫痫数据库中5名癫痫病人进行研究，通过与随机参数法、网格搜索方法对比分析，发现使用粒子群优化支持向量机提高了发作前期识别准确率，减少了误警率，从而取得更好的预测效果，证明了该方法的可行性，对癫痫预测研究具有一定的应用价值。关键词癫痫预测；小波包变换；支持向量机；粒子群算法中图分类号R318；TP391DOI：10.3969/j.issn.1672-9722.2023.03.037Epileptic Seizure Prediction Based on Support Vector MachineOptimized by Particle Swarm OptimizationLIU JinsenHUANG WeijiaLI Xiaolong（College of Electronic Information，Jiangsu University of Science and Technology，Zhenjiang212100）AbstractIn order to realize the automatic prediction of epileptic seizures，an epilepsy prediction model based on particleswarm optimization and support vector machine is proposed.Firstly，wavelet packet transform is used to extract the relative energycharacteristics of wavelet packet coefficients.Then，the training samples are input into the support vector machine，and the optimalparameters are found by particle swarm optimization.Finally，a threshold decision is proposed to process the output of support vector machine.Five epileptic patients in CHB-MIT epilepsy database are studied.Compared with random parameter method and gridsearch method，it is found that PSO-SVM improved the accuracy of preictal recognition，the false alarm rate is reduced，and better prediction effect is obtained.It proves the feasibility of the method and has certain application value for epilepsy prediction research.Key Wordsepilepsy prediction，wavelet packet transform，support vector machine，particle swarm optimization algorithmClass NumberR318，TP391总第 401 期2023 年第 3 期计算机与数字工程Computer&Digital EngineeringVol.51 No.37362023 年第 3 期计算机与数字工程工作，主要分为以下四类：1）时域方法：均值、标准差3、Hjorth复杂度4等；2）频域方法：功率谱5；3）时频分析方法：短时傅里叶变换6、小波变换7、小波包变换8、经验模态分解9；4）非线性动力学方法：最大Lyapunov指数10、熵11。时域分析方法主要是分析信号的几何特性，如对癫痫棘波、尖波等特征波形进行分析；频域分析主要是通过傅里叶变换、Weich方法、AR模型参数方法获得信号的功率谱，将脑电信号各频段的功率、相对功率、绝对功率等作为特征进行研究。然而，时域和频域方法都只针对信号单一角度进行度量，且通常需要假设脑电信号为平稳信号，这与脑电信号的非平稳性相矛盾，小波包变换具有良好的正交性和局部特性，可以对信号进行多尺度、多分辨分析，非常适合于脑电信号等非平稳信号的分析研究。随着机器学习的发展，涌现出越来越多的分类方法，应用在脑电信号分析领域的有K-近邻、支持向量机、线性判别式以及人工神经网络等12。其中，支持向量机是应用最多的分类方法，它不涉及人工神经网络中的网络结构选择，并且避免了“维数灾难”13。目前癫痫预测方面涉及到支持向量机作为分类方法，参数设置多采用人工经验选取和网格搜索方法14，凭经验选取具有一定的随机性，网格搜索在较大范围内进行搜索，存在耗时较长等问题。因此，本研究采用小波包变换和支持向量机结合来构建癫痫发作预测模型，同时为提高分类准确率、减少计算时间，采用粒子群算法对支持向量机的参数进行优化。2方法和原理2.1小波包系数能量小波包变换是轴承故障特征提取中常用的信号分析方法，近年来也越来越多地应用于脑电信号的处理当中1516。癫痫发作前期与发作间期的脑电信号不同频段具有不同的变化趋势，应用小波包变换的自适应性可以很好地提取出信号不同频段特征。小波包变换满足如下的二尺度方程：|2n(t)=2kzhkn(2t-k)2n+1(t)=2kzgkn(2t-k)（1）其 中：hk和gk为 一 组 正 交 滤 波 器，满 足gk=(-1)nh1-k。Mallet小波包快速分解算法描述如下：|d2nj(l)=kzhk-2ldnj+1(k)d2n+1j(l)=kzgk-2ldnj+1(k)（2）其中：d2nj(l)、d2n+1j(l)为下层分解结果，dnj+1(l)为上层分解结果。hk-2l和gk-2l为共轭正交的滤波器。信号的时域能量为f(t)2=-+|f(t)2dt（3）由帕斯瓦尔定理16可知：信号在时域能量上的能量与小波包系数能量相等，因此，信号各频段的能量可表示为Ej,k=N|Cj,k2（4）其中：j代表小波包分解层数，k表示信号频率成分，N代表信号采样点数，Cj,k代表小波包分解系数。为了消除量级对数据的影响，本文采用相对能量作为特征，具体表示如下：Pj,k=Ej,knEj,k（5）其中：Ej,k代表信号各频段能量值，nEj,k代表信号各频段总能量值。2.2支持向量机支持向量机主要思想如下：首先通过一个非线性映射(x)将y类脑电信号特征x映射到高维空间，然后找到一个超平面使得所有的点到超平面的距离大于一定值17。算法具体步骤如下。1）超平面的构造归结为凸二次规划问题：|minw,b,12w2+Ci=1Lis.t.yi(wT(xi)+b)1-i（6）其中：w为超平面法向量，C0为惩罚参数，i0为松弛变量，b为超平面的偏置向量。2）利用拉格朗日函数求目标函数极值，设拉格朗日函数为L(w,b,)=12w2-i=1li(yi(wT(xi)+b)-1+i)+Ci=1li（7）其中：0iC为Lagrange系数。3）对式（7）求解最优化问题，得到最优解：a*=()a*1,a*2,a*lT（8）737第 51 卷w*=i=1la*iyi(xi)（9）b*=-12i,r,s=1liyiK()xi,xr+K()xi,xs（10）4）决策函数为f()x=sgn|ili*yiK()xi,x+b*（11）2.3粒子群算法优化支持向量机粒子群算法是基于对鸟类捕食行为进行建模衍生出来的一种智能优化算法。该算法把群体中的个体视为空间中的点，具有一定的初始速度，在此过程中依据自身和同伴的飞行经验对自身的飞行速度、前进方向进行动态调整1819。粒子的速度和位置更新公式如下：vi+1=wvi+c1r1(pbesti-xi)+c2r2(Gbesti-xi)（12）xi+1=xi+vi（13）式中：xi=(x1,x2,xn)表示粒子在N维空间的位置，飞行速度表示为矢量vi=(v1,v2,vn)表示粒子在N为空间位置，pbest表示粒子i的个体最优位置，Gbest表示粒子群的全局最优位置；c1，c2为常数，表示学习因子；1,2()0,1；w表示惯性因子。粒子群算法优化支持向量机的流程图如图 1所示。开始初始化粒子群参数随机产生一组粒子（c，g）计算每个粒子的适应度函数值初始化个体最优值和群体最优值结束输出全局最优解（c，g）到达迭代次数？YN更新粒子个体极值和全局极值重新计算粒子的适应度值更新粒子位置和速度图1PSO优化SVM算法流程图其算法具体流程如下：1）初始化参数：种群规模N、最大迭代次数i、惯性因子w、参数c、的变化范围；2）根据种群规模随机产生一组粒子(c,)；3）适应度函数为十折交叉验证计算出的平均准确率，根据适应度函数分别计算每个粒子的适应度函数值；4）每个粒子的适应度函数值即为当前个体最优值，比较所有粒子的个体最优值，值最大的作为全局最优值，对应粒子位置(c,)作为全局最优位置；5）根据式（12）和式（13）更新粒子速度和位置；6）根据更新后的粒子位置重新计算粒子适应度函数值；7）比较更新后的适应度值与个体极值、群体极值，若优于更新前，则用更新后的值进行替换；8）判断迭代次数是否小于Tmax，若达到，则输出当前全局最优解(cbest,best)，否则返回步骤5）。本文参数设置如下：种群规模N=20，最大迭代次数Tmax=200，惩罚因子c最小值cmin=0.1，最大值cmax=100，核函数的最小值min=0.01，最大值max=1000，惯性因子w=1，c1=1.5，c2=1.7。2.4输出结果后处理为了减少错误警报，还需要对 SVM输出结果进行判决分析。本文提出一种基于阈值的判断方法，具体过程如下：1）统计每隔1min的时间窗，支持向量机的输出为发作前期的标签数目：numpreictalt=n(t-1)+1ntlabeli（14）其中：numpreictalt表示第t个时间窗内的发作前期样本个数；labeli表示第i个样本的SVM输出标签。2）使用numpreictalt的值可以判断在过去的这1min内信号处于发作前期还是发作间期，具体如下：statet=1 if numpreictaltp0 if numpreictaltp（15）其中：P值为一个阈值，P1,6，6表示以10s为窗口大小，1min 内的窗口数。当numpreictaltp时，statet=1，即认为在过去的1min内，信号处于发作前期状态；否则处于发作间期。3实验结果与分析3.1实验数据与处理本文采用 CHB-MIT癫痫开源数据库（https：/www.physionet.org/content/chbmit/1.0.0/），该数据库记录了23位癫痫病人的数据，所有信号以16比特分辨率进行采样，采样频率为256Hz。刘金森等：基于粒子群优化支持向量机的癫痫发作预测7382023 年第 3 期计算机与数字工程根据本次实验数据集的特点以及相应实验验证，本文将每次癫痫发作前10min定为发作前期。同时为了实现更快地对数据进行处理，减少计算时间，本文采用滑动窗口技术对信号进行分段处理。发作前期、发作间期样本均采用10s无重叠窗口，窗口步长为10s。3.2特征提取结果与分析已有实验表明 Daubechies小波家族对脑电数据具有很好的处理效果，经试验采用db5小波对信号分析，五层分解后共得到25=32个频率成分，各节点及其频率成分如表1所示。脑电的分析范围多为032Hz，所以对分解后得到前8个频段进行分析，其相应频谱如图2所示。表1小波包变换分解结果信号S5_0S5_1S5_2S5_3S5_4S5_5S5_6S5_7S5_31频率范围044881212161620202424282832124128（a）小波包第5层0节点信号频谱050100frequency302520151050amp（b）小波包第5层1节点信号频谱050100frequency302520151050amp（c）小波包第5层2节点信号频谱050100frequency302520151050amp（d）小波包第5层3节点信号频谱050100frequency302520151050amp（e）小波包第5层4节点信号频谱050100frequency302520151050amp（f）小波包第5层5节点信号频谱050100frequency302520151050amp（g）小波包第5层6节点信号频谱050100frequency302520151050amp（h）小波包第5层7节点信号频谱050100frequency302520151050amp图2第五层前8个节点频谱图80706050403020100能量百分比/%12345678频率/Hz各个频段能量所占的比例79.5411.061.16 1.17 1.211.672.24 1.95图3发作前期小波包系数相对能量对经过小波包变换分解后各频段分解系数求取相对能量值来反映病人在发作前期、发作间期的信号变化情况，以第一位病人的第一次发作为例，图3、图4分别为该病人第一次发作前期一个10s窗口的小波包系数相对能量情况。图4发作间期小波包系数相对能量通过对比两图，可以发现发作前期与发作间期739第 51 卷的小波包系数能量占比有较为明显的差异，癫痫发作前期各频段能量由大到小依次为 S5_0、S5_1、S5_6、S5_7、S5_5、S5_4、S5_3、S5_2，癫痫发作间期各频段能量由大到小依次为S5_0、S5_2、S5_1、S5_3、S5_4、S5_5、S5_6、S5_7。结果表明，小波包系数能量比值能够很好地反映发作前期与发作间期脑电信号不同频率的变化情况，由此证实了小波包系数相对能量作为特征区分两类信号的有效性。3.3识别结果与分析本文选取5位病人前两次发作前期10min、发作间期10min的脑电数据，对样本数据进行特征提取。将其构成2408维的特征向量作为训练数据。选择第三次癫痫发作提取出来的特征向量作为测试数据进行分析。得到粒子群优化支持向量机的适应度曲线如图5所示。100959085807570656055适应度020406080100 120 140 160 180 200进化代数适应度曲线AccuracyPSOmethod（参数c1=1.5，c2=1.7，终止代数=200，种群数量pop=20）Best c=1.2399 g=7.5833 CVAccuracy=98.3051%最佳适应度平均适应度图5粒子群优化算法适应度曲线从图5中可以看出经过200次迭代处理，寻找得到的最佳c和g组合为（1.2399，7.5833），训练样本交叉验证准确率为98.3051%。为了验证粒子群算法优化的有效性，本文设计了支持向量机随机参数选择和网格搜索两种方法进 行 对 比 实 验。其 中 网 格 搜 索 范 围 设 置 为c,()2-8,28，步长大小设置为0.8。图6为网格搜索优化支持向量机参数选择等高线图。43210-1-2-3-4log2c-2-101234log2cSVC参数选择结果图（等高线图）GridSearchMethodBest c=11.3137 g=2 CVAccuracy=90.8333%图6网格搜索等高线图从图6中可以看出，该方法寻找到的最优参数组合为（11.3137，2），对于测试集样本的准确率为90.8333%。三种方法的准确率、所需时间以及寻找到的最佳参数组合具体如表2所示。表2三种方法性能比较方法SVM网格搜索+SVMPSO+SVM准确率/%63.333385.833387.5时间/s2.407316.27959.5788(c,)（45.0829，4.2234）（11.3137，2）（1.2399，7.5833）从表2中数据可以看出，随机参数选方法虽然耗时较短，但分类效果最差，分类准确率只有63.3%；网格搜索方法的分类准确率与粒子群算法相近，但是耗时却约为粒子群优化算法的两倍，这对于计算速度要求较高的癫痫发作预测系统来说，显然不太适合。而粒子群优化算法在处理速度和识别准确率方面均达到较好效果，所以验证了本文方法的有效性。3.4癫痫发作预测结果与分析图7为对第1位病人的第三次发作预测结果，时间选取为距离癫痫发作前的10min。其中图（a）、图（b）、图（c）、图（d）分别为发作前期原始信号时域图、支持向量机输出结果、阈值决策结果、发作前期处理后时域图。横轴为时间，间隔为10s，即为本文采用的滑动窗口大小。2001000-100-200幅值/V012345678910时间/min（a）发作前期原始信号图1.21.00.80.60.40.20判决输出012345678910时间/min（b）支持向量机输出结果1.21.00.80.60.40.20判决输出012345678910时间/min预警癫痫发作点（c）阈值决策结果刘金森等：基于粒子群优化支持向量机的癫痫发作预测7402023 年第 3 期计算机与数字工程150100500-50-100-150-200幅值/V012345678910时间/min警报癫痫发作点（d）发作前期处理后时域图图7chb01的第三次发作预测结果图从图7（b）中可以看出，支持向量机在第10s输出为0。如果不采用阈值决策方法对输出结果进行处理，该段信号就会被判定为发作间期，从而不会发出预警，这增加了癫痫预测系统的误报率。若采用本文的后处理方法，如图（c）所示对每隔1min的6个输出结果进行阈值决策，阈值P取为4。01min支持向量机输出3个1，小于阈值4，经决策后判决为 0；2min3min支持向量机输出 4个 1，等于阈值 4，经决策后判决为 1，即系统认定为发作前期，在3min这一时刻发出预警。表3为5名癫痫病人的实验预测结果，平均准确率为83.67%，平均敏感性为75.34%，平均特异性为92%，平均误报率为0，平均预测时间为6.8min。表3五位癫痫病人预测结果病人编号Chb01Chb03Chb10Chb20Chb23平均准确率/%87.583.338085.8381.6783.67敏感性/%81.678076.6771.6766.6775.34特异性/%93.3386.6783.3310096.6792误报率/%000000预测时间/min787666.84结语癫痫发作前期与发作间期的脑电信号不同频段能量具有明显不同，采用小波包变换方法可以很好地提取出这一特征。同时经过粒子群算法优化后的支持向量机与随机参数方法、网格寻优方法相比，识别准确率更高、运行时间较短。此外，经实验验证了本文提出的阈值后处理方法在减少系统误报率方面的有效性。实验结果表明，本文方法准确率高，并且无误报率，预测时间也在合理范围内，为进一步研究实时性癫痫发作系统提供了参考价值。参 考 文 献1王凤娟.基于LSTM的脑电特征学习及癫痫发作预测系统研究 D.济南：山东师范大学，2019.WANG Fengjuan.Study on EEG feature learning and epileptic seizure prediction system based on LSTMD.Jinan：Shandong Normal University，2019.2李志萍.基于支持向量机的多通道癫痫发作预测 J.计算机工程，2014，40（02）：199-202，207.LI Zhiping.Multi channel epileptic seizure predictionbased on support vector machine J.Computer Engineering，2014，40（02）：199-202，207.3刘银霞.基于脑电棘波频次和AR模型的癫痫发作预测算法 D.济南：山东大学，2013.LIU Yinxia.Epileptic seizure prediction algorithm basedon EEG spike frequency and AR modelD.Jinan：Shandong University，2013.4Barkn B，Furkan E，Ali Y M.Hilbert Vibration Decomposition-based epileptic seizure prediction with neural network J.Computers in Biology and Medicine，2020，119（4）：440-452.5Bandarabadi M，Teixeira C A，Rasekhi J，et al.Epilepticseizure prediction using relative spectral power features.J.Pubmed，2015，126（2）：237-248.6KIYMIK M K，nan G，Alper D，et al.Comparison of STFT and wavelet transform methods in determining epileptic seizure activity in EEG signals for real-time applicationJ.Computers in Biology&Medicine，2005，35（7）：603-616.7董旭洋.基于 EEG 信号的癫痫发病预测的算法研究D.哈尔滨：哈尔滨工业大学，2015.DONG Xuyang.Study on the algorithm of epilepsy prediction based on EEG signalD.Harbin：Harbin Instituteof technology，2015.8尹倡隆.癫痫脑电信号特征提取及分类研究 D.兰州：兰州理工大学，2020.YIN Changlong.Study on feature extraction and classification of epileptic EEG signalsD.Lanzhou：Lanzhou University of Technology，20209Li S，Zhou W，Yuan Q，et al.Feature extraction and recognition of ictal EEG using EMD and SVM J.Computers in Biology and Medicine，2013，43（7）：807-816.10李冬梅.基于非线性动力学特征指标的癫痫脑电信号分类、定位与预测方法研究 D.乌鲁木齐：新疆医科大学，2017.LI Dongmei.Study on classification，localization and prediction of epileptic EEG signals based on nonlinear dynamic characteristic indexesD.Urumqi：XinjiangMedical University，2017.11Acharya U R，Fujita H，Sudarshan V K，et al.Application of entropies for automated diagnosis of epilepsy using EEG signals：A review J.Knowledge-Based Sys（下转第747页）7412023 年第 3 期计算机与数字工程14张纲.基金业绩影响因素分析基于基金经理特征与基金公司特征的双重视角 D.广州：华南理工大学，2016：3-7.ZHANG Gang.Analysis of the factors affecting the performance of the fundBased on the characteristics of fundmanagers and fund companiesD.Guangzhou：SouthChina University of Technology，2016：3-7.15张洁琼，杨孔雨.基于面板数据的基金净值影响因素研究 J.现代商，2015（20）：193-195.ZHANG Jieqiong，YANG Kongyu.Research on influencing Factors of Fund net value based on panel dataJ.Modern Business，2015（20）：193-195.16朱冰，朱洪亮.积极开放式基金的规模与收益的关系研究 J.金融纵横，2011（2）：29-33.ZHU Bing，ZHU Hongliang.Research on the Relationship between the scale and returns of active open-endFundsJ.Financial Perspectives Journal，2011（2）：29-33.17高金窑，张晓雪.我国证券投资基金预测能力的决定因素研究 J.证券市场导报，2012（9）：65-70.GAO Jinyao，ZHANG Xiaoxue.Research on determinants of Predictive ability of Securities Investment Fundsin ChinaJ.Securities Market Herald，2012（9）：65-70.tems，2015，88：85-96.12S.K A，Nigam L，Karnam D，et al.Machine learning forseizure prediction：A revamped approachC/International Conference on Advances in Computing.IEEE，2015.13马玉良，刘卫星，张淞杰，等.基于ABC-SVM的运动想象脑电信号模式分类 J.中国医学物理学杂志，2018，35（09）：1056-1062.MA Yuliang，LIU Weixing，ZHANG Songjie，et al.Pattern classification of motor imagery EEG signals basedon abc-svmJ.Chinese Journal of Medical Physics，2018，35（09）：1056-1062.14李志萍.基于支持向量机的多通道癫痫发作预测 J.计算机工程，2014，40（02）：199-202，207.LI Zhiping.Multi channel epileptic seizure predictionbased on support vector machineJ.Computer Engineering，2014，40（02）：199-202，207.15鞠 晨，张 超，樊 红 卫，等.基 于 小 波 包 分 解 和PSO-BPNN 的滚动轴承故障诊断 J.工矿自动化，2020，46（08）：70-74.JU Chen，ZHANG Chao，FAN Hongwei，et al.Rollingbearing fault diagnosis based on wavelet packet decomposition and pso-bpnnJ.Industrial and Mining Automation，2020，46（08）：70-74.16吴欢，印想，官金安.频带能量与样本熵在注意力脑电信号中的对比研究 J.计算机与数字工程，2020，48（03）：603-606，622.WU Huan，YIN Xiang，GUAN Jinan.Comparativestudy of frequency band energy and sample entropy in attention EEG signalJ.Computer and Digital Engineering，2020，48（03）：603-606，622.17周正松，李瑶，陶德元.支持向量机的凸优化求解 J.四川大学学报（自然科学版），2016，53（04）：781-787.ZHOU Zhengsong，LI Yao，TAO Deyuan.Convex optimization of support vector machinesJ.Journal of Sichuan University（Natural Science Edition），2016，53（04）：781-787.18李敏，曲大义，张西龙，等.基于粒子群算法的神经网络的驾驶意图识别 J.科学技术与工程，2018，18（36）：261-265.LI Min，QU Dayi，ZHANG Xilong，et al.Driving intention recognition based on neural network based on particle swarm optimization algorithmJ.Science and Technology and Engineering，2018，18（36）：261-265.19韩文军，张苏，李达锋，等.基于粒子群优化的三维CAD模型相似性评价 J.计算机与数字工程，2019，47（8）：1966-1969.HAN Wenjun，ZHANG Su，LI Dafeng，et al.Similarityevaluation of 3D CAD model based on particle swarm optimization J.Computer and Digital Engineering，2019，47（8）：1966-1969.（上接第741页）747