癫痫会影响数以百万计的人在美国(约300万人到2015年，根据健康热线)。它通常通过脑电图或脑电图的解释来诊断 - 测量从头皮获取的大脑电活动。但信号往往很长。这使他们难以解释。
澳大利亚Edith Cowan大学和孟加拉国Pabna科技大学的研究人员在Arxiv.org新发布的预印纸上提出了解决方案(“ 使用统计抽样和新颖特征选择算法的癫痫发作分类 ”)：人工智能( AI)系统使用两步法自动分类癫痫发作。
这是一个相对新颖的想法。最近的类似努力包括由MathWorks，美国国立卫生研究院的国家神经疾病和中风研究所(NINDS)赞助的竞赛，以及Google的Kaggle平台上的美国癫痫协会，该竞赛挑战参与者训练有关癫痫发作的EEG数据算法。与此同时，IBM的科学家在今年早些时候描述了一种快速，高度准确的AI辅助癫痫发作分类系统。
但本研究中的研究人员试图设计一种不会对准确性产生负面影响的数据预处理技术。他们声称，他们的方法涉及减少脑电数据和特征数量(即特征)的大小，优于一些最先进的癫痫发作检测方法。
“目的是使用基于抽样技术的代表性样本数据来确定数据减少的有效性，”该论文的作者写道。
该团队从波恩大学获得了基准EEG数据 - 五个数据集包含一百个单独的通道，长度为23.6秒，每个通道共有4097个数据点 - 以及来自十个参与者的孤立信号(五个健康患者和五个癫痫患者) 。接下来，他们计算出最佳样本大小，将EEG划分为不同的5.9秒片段，再次估计每个片段的样本大小，并在应用算法之前合并片段，以提取15个不同的特征，每个信号总共60个。
研究人员随后将数据集分为三类 - “健康”，“发作间期”(癫痫发作之间)和“癫痫发作” - 并使用三种不同的病例进行分类(“健康与癫痫发作”，“发作间期与癫痫发作”，和“健康和发作间期与癫痫发作”)。他们评估了五种不同的癫痫分类机器学习算法 - 随机森林，朴素贝叶斯，支持向量机，k-最近邻和逻辑模型树 - 并且在测试中发现随机森林分类器达到了最高的准确度。即使数据点数减少高达30%，它的置信水平也达到了95%。
“实验结果表明，我们提出的采用抽样技术和特征选择算法以及随机森林分类器的方法可以成为癫痫发作分类的有效解决方案，”他们写道。
