集成分類器對(duì)腦卒中患者腦電的分類

王 方，張雪英，胡風(fēng)云，李鳳蓮

1.太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，太原030024

2.山西省人民醫(yī)院 神經(jīng)內(nèi)科，太原030012

大腦是人類中樞神經(jīng)系統(tǒng)的最高級(jí)部分，是負(fù)責(zé)個(gè)體各種行為活動(dòng)的高級(jí)神經(jīng)中樞。人類的大腦中有數(shù)百億的神經(jīng)元，每個(gè)神經(jīng)元通過(guò)數(shù)千個(gè)突觸與其他神經(jīng)元連接。人體的各個(gè)功能都是在神經(jīng)系統(tǒng)的直接或間接調(diào)控下來(lái)實(shí)現(xiàn)的。研究表明人類大腦的不同區(qū)域或神經(jīng)元組織會(huì)相應(yīng)負(fù)責(zé)不同的行為功能。因此對(duì)人類大腦的研究可以促進(jìn)許多神經(jīng)系統(tǒng)疾病尤其是腦部疾病的研究和診斷。

頭皮腦電圖（Electroencephalogram，EEG）價(jià)格低廉無(wú)創(chuàng)，方便長(zhǎng)時(shí)間監(jiān)測(cè)，已成為許多研究機(jī)構(gòu)及臨床神經(jīng)系統(tǒng)疾病監(jiān)測(cè)的神經(jīng)成像方式。定量腦電特征（Quantitative，QEEG）是腦電信號(hào)分析的一個(gè)重要方法，它借助計(jì)算機(jī)提取腦電信號(hào)頻域和時(shí)域等多方面的定量特征，大量的研究表明QEEG在各種臨床研究中有重要應(yīng)用價(jià)值。例如腦功率譜對(duì)稱指數(shù)（Brain Symmetry Index，BSI）與腦卒中患者的卒中程度指標(biāo)之間存在正相關(guān)[1]。相位滯后指數(shù)（Phase Lay Index，PLI）被用于研究中風(fēng)患者[2]、癡呆患者[3]及帕金森[4]等患者的臨床狀況。腦電快慢波功率比（Delta/Alpha，DAR）被證明能夠有效區(qū)分缺血性腦卒中組和健康控制[5]。另外，加權(quán)相位滯后指數(shù)（Weighted Phase Lay Index，wPLI）[6-8]、相位同步（Phase Synchronization，PS）[9-12]和一致性的虛部（Imaginary component of Coherence，IC）[13]等關(guān)于腦電相位的定量特征也被用于臨床研究中。

腦卒中患者發(fā)病后經(jīng)常會(huì)出現(xiàn)昏迷、昏睡、嗜睡等意識(shí)障礙，需要給予及時(shí)地治療和干預(yù)，長(zhǎng)期處于昏迷會(huì)給大腦帶來(lái)不可恢復(fù)的損傷[14]。已經(jīng)有多種臨床意識(shí)量表用于評(píng)估意識(shí)損失和昏迷的深度及持續(xù)時(shí)間等。但這些神經(jīng)學(xué)評(píng)估量表的評(píng)估是依靠醫(yī)生通過(guò)一系列的臨床檢查和觀察來(lái)完成的，這種方法需要花費(fèi)大量人力和時(shí)間成本，并且依靠這種間歇性臨床檢查很難實(shí)時(shí)地了解患者的意識(shí)水平的變化。意識(shí)狀態(tài)的實(shí)時(shí)監(jiān)測(cè)和意識(shí)障礙的及時(shí)發(fā)現(xiàn)對(duì)腦卒中患者的后期康復(fù)意義重大[15]。

本文提取了腦卒中被試者腦電圖中的9種定量腦電圖特征，將這9種定量腦電特征做為腦網(wǎng)絡(luò)的邊的權(quán)重構(gòu)成腦網(wǎng)絡(luò)。腦網(wǎng)絡(luò)的連通性特征被輸入到分類器中，對(duì)腦卒中患者是否有意識(shí)障礙進(jìn)行自動(dòng)二分類。

現(xiàn)已有多種機(jī)器學(xué)習(xí)方法應(yīng)用于腦電信號(hào)的分類，如支持向量機(jī)（Support Vector Machine，SVM）[16]、鄰近算法（K-Nearest Neighbor，KNN）[17]、集成裝袋樹（Bagging tree）[18]、集成提升樹（Adaptive Boosting，AdaBoost）[19]等，但大多數(shù)并不適用于非平衡數(shù)據(jù)集的分類。

為提高非平衡數(shù)據(jù)集的分類準(zhǔn)確性和敏感度，本文設(shè)計(jì)了集成支持向量機(jī)分類器（Ensemble Of Support Vector Machine，EOSVM），并將其分類結(jié)果與其他分類器（SVM、KNN、AdaBoost及Bagging tree）的分類結(jié)果進(jìn)行了對(duì)比。

1 腦電特征提取

1.1 腦電信號(hào)的采集及預(yù)處理

147例腦卒中患者（平均年齡±標(biāo)準(zhǔn)偏差=64.76±5.63）的腦電采集是在山西省人民醫(yī)院神經(jīng)內(nèi)科完成的。用腦電圖監(jiān)測(cè)系統(tǒng)（太陽(yáng)能2 000 N，太陽(yáng)能電子技術(shù)有限公司，北京，中國(guó)北京）記錄大腦皮層自發(fā)的腦電圖。根據(jù)國(guó)際10-20標(biāo)準(zhǔn)，電極點(diǎn)放置于FP1、FP2、C3、C4、O1、O2、T7、T8、A1和A2來(lái)采集腦電圖信號(hào)。采樣頻率為100 Hz，阻抗小于10 kΩ。腦電圖記錄與意識(shí)評(píng)估時(shí)間最大間隔是30 min?；颊叩囊庾R(shí)狀態(tài)是通過(guò)一系列的臨床行為評(píng)估來(lái)確定的[20]。

表1 概括了參與者的人口統(tǒng)計(jì)特征和意識(shí)狀態(tài)。參與者的入選標(biāo)準(zhǔn)如下：（1）MRI或CT診斷為缺血腦卒中；（2）有腦電圖記錄和相應(yīng)的意識(shí)水平記錄；（3）18歲以上。排除標(biāo)準(zhǔn)如下：（1）腦出血（2）孕婦或哺乳期婦女。

表1 參與者的人口統(tǒng)計(jì)和臨床特征Table 1 Demographics and clinical characteristics of subjects

所有的腦電圖預(yù)處理及分析都是在EEGLAB及MATLAB中進(jìn)行的。預(yù)處理的步驟包括平均重參考、基本的有限脈沖響應(yīng)對(duì)數(shù)據(jù)分別進(jìn)行高通濾波（0.5 Hz）和低通濾波（30 Hz）及去偽跡處理。去偽跡處理采用的工具為EEGLAB中自動(dòng)刪除連續(xù)信號(hào)的偽跡工具。最終提前的定量腦電特征是在每個(gè)參與者的前10 min長(zhǎng)度的腦電信號(hào)上提取的。

1.2 定量腦電特征計(jì)算

本文提取的11種定量腦電特征包括：腦功率譜對(duì)稱指數(shù)BSI、左右腦相位同步指數(shù)（Phase Synchrony Index of Left and Right Hemisphere，PSI-LR）、一致性（Coherence，C）、一致性的實(shí)部特征（Real Part of Coherence，RC）和虛部IC，及4種不同頻段的快慢波比例特征。9種特征的具體計(jì)算如下文所示。

左右半腦相位同步指數(shù)PSI-LR[20]評(píng)估了左半球和右半球之間的相位差異。相位同步指數(shù)（Phase Synchrony Index，PSI）是指來(lái)自同源電極對(duì)的兩個(gè)腦電圖信號(hào)之間的相位差異。要計(jì)算PSI-LRs和PSIs，首先要知道每個(gè)通道的瞬時(shí)相位。本文用希爾伯特變換[21]來(lái)計(jì)算腦電圖信號(hào)的瞬時(shí)相位。

PSI-LR計(jì)算公式如下：

其中，?L(tk)和?R(tk)分別表示左右一對(duì)對(duì)稱通道的瞬時(shí)相位，i是虛數(shù)單位，tk代表離散時(shí)間。

腦功率譜對(duì)稱指數(shù)（BSI）是一種在功率譜上計(jì)算左右半球?qū)ΨQ的腦電特征，它是在1～25 Hz的頻率范圍內(nèi)計(jì)算得到的[1]。BSI是一種被廣泛應(yīng)用的定量腦電特征，它的計(jì)算公式如下：

其中，Rij(Lij)是右（左）通道的腦電信號(hào)的傅里葉變換值，i代表通道對(duì)數(shù)，j是傅里葉系數(shù)。

一致性(C)[22]是一種度量各通道信號(hào)線性相關(guān)性的的定量腦電特征。它是在互功率譜密度基礎(chǔ)上計(jì)算得到的。C的定義如下：

其中，Suv(f)是兩個(gè)通道EEG信號(hào)u(t)和v(t)的互功率譜密度，Suu(f)和Svv(f)分別是信號(hào)u(t)和v(t)的自功率譜密度。

本文還計(jì)算了一致性C的實(shí)部和虛部，IC代表C的虛部的絕對(duì)值，RC代表C的實(shí)部的絕對(duì)值[22]。

腦電信號(hào)的快波與慢波所占比例是應(yīng)用非常廣泛的腦電頻域特性分析方法。本文計(jì)算了4個(gè)不同頻段的功率比值，即δ（1～3 Hz），θ（4～7 Hz），α（8～12 Hz）和β（13～30 Hz）頻段。

DAR是δ/α頻段的功率比值，DTAR是(δ+θ)/α頻段的功率比值，DTABR是(α+β)/(δ+θ)頻段的功率比值，PRI是(δ+θ)/(α+β)頻段的功率比值[5]。

1.3 腦網(wǎng)絡(luò)連通性特征提取

大腦區(qū)域之間的關(guān)系可以描述為一個(gè)大腦網(wǎng)絡(luò)，其頂點(diǎn)和邊分別對(duì)應(yīng)于大腦區(qū)域及其連接。如果對(duì)邊進(jìn)行加權(quán)，則可以用腦功能連接度量指標(biāo)來(lái)表示各區(qū)域連接的強(qiáng)度。圖1顯示了來(lái)自8個(gè)（頂點(diǎn)）電極(Fp1、Fp2、C3、C4、O1、O2、T7和T8)的28條邊（圖1）。對(duì)這些邊，計(jì)算了9種定量腦電特征來(lái)作為這些邊的權(quán)重來(lái)做為特征。

圖1 腦網(wǎng)絡(luò)Fig.1 Brain network

定量特征PSI-LR和BSI是左右腦對(duì)稱的指數(shù)，因此計(jì)算了它們的4對(duì)左右腦半球?qū)ΨQ的指標(biāo)做為連通性特征(Fp1～Fp2、C3～C4、O1～O2、T7～T8)。其他7個(gè)定量腦電特征都分別計(jì)算其28個(gè)電極對(duì)對(duì)應(yīng)的定量腦電特征，然后求28個(gè)電極對(duì)特征的平均值作為輸入分類器的特征。因此輸入下文分類器中的腦網(wǎng)絡(luò)連通性特征是2×4+7=15維的。

2 分類

現(xiàn)實(shí)世界中獲取的數(shù)據(jù)經(jīng)常是不平衡的，例如醫(yī)院患者的疾病種類所占比例不平衡。本文試圖分類腦電數(shù)據(jù)集也是嚴(yán)重不平衡的。147名被試的腦電數(shù)據(jù)集中，有93例是清醒患者，54例是有意識(shí)障礙的患者，前者幾乎是后者的兩倍。因此，利用普通的分類器會(huì)導(dǎo)致分類預(yù)測(cè)結(jié)果嚴(yán)重偏向數(shù)據(jù)集中的大多數(shù)（清醒類），從而導(dǎo)致整個(gè)分類預(yù)測(cè)的失敗。

2.1 集成分類器構(gòu)建

為了能有效地對(duì)此非平衡數(shù)據(jù)集進(jìn)行分類，本文設(shè)計(jì)了一個(gè)集成支持向量機(jī)（EOSVM），它是由N個(gè)普通支持向量機(jī)（SVM）組成的。每個(gè)SVM會(huì)輸入一個(gè)平衡的子訓(xùn)練集，SVM的個(gè)數(shù)N可根據(jù)數(shù)據(jù)集的不平衡程度進(jìn)行調(diào)整，數(shù)據(jù)集越不平衡，N的數(shù)值需要設(shè)定的越大。

EOSVM采用裝袋（Bagging）方法將多個(gè)支持向量機(jī)組合，構(gòu)成一個(gè)強(qiáng)學(xué)習(xí)器，從而提高非平衡數(shù)據(jù)集的分類準(zhǔn)確性。EOSVM與普通裝袋方法的數(shù)據(jù)分割方法不同，即生成子訓(xùn)練樣本的方法不同。EOSVM產(chǎn)生的所有子訓(xùn)練樣本包含所有少數(shù)類樣本，同時(shí)隨機(jī)選擇同樣數(shù)量的多數(shù)類樣本，目標(biāo)是解決非平衡數(shù)據(jù)集的分類問題。

圖2 展示了集成支持向量機(jī)EOSVM的結(jié)構(gòu)框架，EOSVM的分類分為三步：數(shù)據(jù)準(zhǔn)備、分類器的訓(xùn)練和預(yù)測(cè)。

圖2 EOSVM分類器結(jié)果框架Fig.2 Framework of EOSVM classifier

（1）數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)準(zhǔn)備階段需要將樣本集分離為多個(gè)子樣本集。首先將整個(gè)數(shù)據(jù)集分離為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。本實(shí)驗(yàn)中訓(xùn)練集和測(cè)試集中數(shù)據(jù)數(shù)量的比例設(shè)為80%和20%。之后需要將訓(xùn)練集分為多個(gè)子訓(xùn)練集，構(gòu)成每個(gè)子樣本集中的訓(xùn)練集。而每個(gè)子樣本集中的測(cè)試集是相同的。

圖3 為子樣本集生成的示意圖。藍(lán)色與橙色為兩類樣本，藍(lán)色為樣本集中的多數(shù)類，橙色為樣本中的少數(shù)類。每個(gè)子樣本集中的少數(shù)類（橙色）樣本相同，為訓(xùn)練集中的所有少數(shù)類（橙色）樣本。每個(gè)子樣本集中的多數(shù)類（藍(lán)色）不相同，子訓(xùn)練集中的藍(lán)色類是從總訓(xùn)練集中的藍(lán)色類中隨機(jī)選擇的，且數(shù)量與子訓(xùn)練集中的橙色類相同。這樣構(gòu)成的每個(gè)子訓(xùn)練集是不同的，但又充分利用了少數(shù)類（橙色）樣本，并且每個(gè)子訓(xùn)練集是平衡的（橙色與藍(lán)色類數(shù)量相同）。

圖3 數(shù)據(jù)準(zhǔn)備Fig.3 Prepare for dataset

（2）分類器訓(xùn)練

每個(gè)SVM會(huì)輸入一個(gè)平衡的子樣本集，每個(gè)子樣本集中包含相同數(shù)量的無(wú)意識(shí)障礙患者和有意識(shí)障礙患者。

分類器訓(xùn)練階段，SVM的核函數(shù)（Kernel function）選取了高斯核函數(shù)（Gaussian kernel function）。超參數(shù)是通過(guò)使間隔最大化來(lái)得到的。

（3）預(yù)測(cè)

在分類器的預(yù)測(cè)階段，每個(gè)SVM會(huì)對(duì)相同的測(cè)試集給出一個(gè)預(yù)測(cè)結(jié)果。如果EOSVM中包含100個(gè)SVM，則測(cè)試數(shù)據(jù)集中每個(gè)被試會(huì)得到100個(gè)預(yù)測(cè)結(jié)果（分別來(lái)自100個(gè)SVM）。根據(jù)這100個(gè)預(yù)測(cè)結(jié)果，EOSVM給測(cè)試集中的被試一個(gè)最終的預(yù)測(cè)結(jié)果。

最終的預(yù)測(cè)結(jié)果會(huì)因?yàn)镋OSVM中多數(shù)投票（Majority voting）的閾值不同而改變。如果投票規(guī)則的閾值設(shè)定為50%，則測(cè)試集中的被試者的100個(gè)預(yù)測(cè)結(jié)果中大于50%的那一類預(yù)測(cè)結(jié)果將作為其最終預(yù)測(cè)結(jié)果。

2.2 分類效果評(píng)價(jià)

本文采用了三個(gè)參數(shù)來(lái)對(duì)分類學(xué)習(xí)算法效果進(jìn)行評(píng)價(jià)，即準(zhǔn)確性（Accuracy）、敏感度（Sensitivity）和特異性（Specificity）。準(zhǔn)確性代表所有參與者的預(yù)測(cè)總準(zhǔn)確率，敏感性代表有意識(shí)障礙參與者的預(yù)測(cè)準(zhǔn)確率，特異性代表無(wú)意識(shí)障礙參與者預(yù)測(cè)的準(zhǔn)確性。三個(gè)評(píng)價(jià)參數(shù)的計(jì)算方式如下：

其中，Nawa為測(cè)試集中清醒被試者的數(shù)量，NDoC為測(cè)試集中存在意識(shí)障礙的被試者的數(shù)量，Tawa為測(cè)試集中被正確分類的清醒被試者的數(shù)量，TDoC為測(cè)試集中被正確分類的患有意識(shí)障礙的被試者的數(shù)量。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 統(tǒng)計(jì)分析

統(tǒng)計(jì)分析是在IBM SPSS軟件及R-Studio中進(jìn)行的。本文用皮爾遜相關(guān)性系數(shù)分析了各個(gè)定量腦電特征和患者意識(shí)水平的相關(guān)性水平。

為了分析臨床狀態(tài)和定量腦電特征之間的關(guān)系，給中風(fēng)患者的意識(shí)水平（Level Of Consciousness，LOC）賦值為1到6。清醒患者意識(shí)水平設(shè)定為1，嗜睡患者意識(shí)水平為2，昏睡為3，淺昏迷為4，中昏迷為5，深昏迷為6。意識(shí)水平值越高，代表意識(shí)障礙越嚴(yán)重。下面的分析是在如上的賦值基礎(chǔ)上進(jìn)行。

圖4 和圖5顯示了腦卒中患者的意識(shí)水平（LOC）與各個(gè)定量腦電特征之間的相關(guān)關(guān)系水平。圖中顯示的數(shù)字為皮爾遜相關(guān)系數(shù)。皮爾遜相關(guān)系數(shù)右上角的紅色星號(hào)代表顯著水平。一顆紅色星號(hào)代表顯著水平P=0.05；兩顆紅色星號(hào)代表顯著水平P=0.01；三顆星代表顯著水平P=0.001。

圖4 LOC與定量腦電特征的相關(guān)矩陣圖（1）Fig.4 Visualize correlation matrix of LOC and QEEGs（1）

圖5 LOC與定量腦電特征的相關(guān)矩陣圖（2）Fig.5 Visualize correlation matrix of LOC and QEEGs（2）

圖4 第一行顯示了LOC與定量腦電特征PSI-LR（三個(gè)頻段上提?。害粒?～12 Hz）、β（13～30 Hz）和1～30 Hz）、C、IC和RC之間的相關(guān)關(guān)系。觀察圖可發(fā)現(xiàn)PSI-LR在α、β和1～30 Hz頻段都與意識(shí)水平存在顯著正相關(guān)性，但β頻段上提取的PSI-LR與意識(shí)障礙水平相關(guān)性最顯著（PSI-LR（c）：ρ=0.76,P=0.001；PSI-LR(α)：ρ=0.54,P=0.01；PSI-LR（1～30 Hz）：ρ=0.58,P=0.01)。因此下文分類實(shí)驗(yàn)中的PSI-LR是在β頻段上提取的。C與意識(shí)水平LOC的相關(guān)關(guān)系同樣顯著(ρ=0.60,P=0.01)。然而，IC及RC與患者的意識(shí)狀態(tài)相關(guān)性不顯著。

圖5 第一行顯示了LOC與定量腦電特征BSI及快慢波比例特征PRI、DAR、DTAR、DTABR之間的相關(guān)關(guān)系。皮爾遜相關(guān)系數(shù)顯示PRI、DAR、DTAR與LOC呈現(xiàn)顯著正相關(guān)（PRI：ρ=0.46,P=0.05；DAR：ρ=0.47,P=0.05；DTAR：ρ=0.45,P=0.05）。而DTABR與LOC呈負(fù)相關(guān)，BSI與LOC無(wú)顯著相關(guān)關(guān)系。雖然BSI與腦卒中患者的卒中程度（NIHSS指數(shù)）相關(guān)[1]，但與患者的意識(shí)水平并無(wú)顯著相關(guān)關(guān)系。

3.2 分類結(jié)果與分析

分類實(shí)驗(yàn)針對(duì)有意識(shí)障礙（嗜睡、昏睡、淺昏迷、中昏迷、深昏迷）和無(wú)意識(shí)障礙（清醒）兩類進(jìn)行二分類。實(shí)驗(yàn)中，15維的腦網(wǎng)絡(luò)連通性特征被輸入到分類器中。

3.2.1 現(xiàn)有分類器分類

首先利用四種分類器（SVM、KNN、AdaBoost及Bagging tree）對(duì)147例患者構(gòu)成的腦電數(shù)據(jù)集進(jìn)行二分類，分類結(jié)果見圖6（20次訓(xùn)練結(jié)果的統(tǒng)計(jì)）。

由圖6中原始數(shù)據(jù)集（Original）的結(jié)果可看出，四個(gè)分類器的準(zhǔn)確率（Accuracy）在70%左右，敏感度（Sensitivity）在40%以下，特異性（Specificity）在80%以上。四個(gè)分類器的分類結(jié)果普遍存在敏感度過(guò)低的問題。敏感度過(guò)低的原因是這些分類器將測(cè)試集中的大部分被試者預(yù)測(cè)為了清醒類，即在原始數(shù)據(jù)集中占大多數(shù)的那一類。從而導(dǎo)致分類結(jié)果特異性很高，但敏感度很低。這將導(dǎo)致大量有意識(shí)障礙的患者被預(yù)測(cè)為無(wú)意識(shí)障礙，從而導(dǎo)致治療時(shí)機(jī)的延誤。

圖6 四種分類器結(jié)果對(duì)比Fig.6 Classification results from four classifiers

針對(duì)于非平衡數(shù)據(jù)集分類中偏向多數(shù)類的問題，主要采用的解決方法是重采樣，即利用過(guò)采樣（Oversampling）或欠采樣（Undersampling）等方法對(duì)原始數(shù)據(jù)集進(jìn)行重采樣，從而構(gòu)造一個(gè)平衡的數(shù)據(jù)集。之后，再利用分類器在這個(gè)重構(gòu)的平衡數(shù)據(jù)集上進(jìn)行分類。

本實(shí)驗(yàn)也利用過(guò)采樣和欠采樣的方式對(duì)原始數(shù)據(jù)集進(jìn)行了重構(gòu)，之后用上述四種分類器進(jìn)行了二分類實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見圖6中的Oversampling和Undersampling結(jié)果。觀察圖6（c）可發(fā)現(xiàn)，重采樣提高了分類的敏感度（Sensitivity），尤其是SVM的分類敏感度的提高到接近70%。但圖6（a）顯示，重采樣后的分類準(zhǔn)確率普遍下降，并且大多數(shù)下降到了65%以下。

因此，只利用重采樣并不能解決本文非平衡數(shù)據(jù)集分類存在的敏感度過(guò)低和準(zhǔn)確率偏低的問題。

3.2.2 集成分類器EOSVM分類

實(shí)驗(yàn)利用隨機(jī)欠采樣方式（Random Undersampling）將隨機(jī)重構(gòu)的多個(gè)平衡數(shù)據(jù)集輸入到多個(gè)獨(dú)立的分類器中，再用多數(shù)投票的方式將它們組成集成分類器。鑒于圖6（c）顯示SVM在重采用后的平衡數(shù)據(jù)集上的敏感度最高，且SVM是小數(shù)據(jù)集分類的經(jīng)典算法，本文利用SVM構(gòu)建了集成分類器EOSVM。

實(shí)驗(yàn)中EOSVM中SVM的個(gè)數(shù)設(shè)定為40，EOSVM的多數(shù)類投票閾值設(shè)定為90%～100%。此時(shí)分類器的分類結(jié)果如圖7所示（20次訓(xùn)練結(jié)果的平均值和方差統(tǒng)計(jì)）。

圖7 集成分類器EOSVM分類結(jié)果Fig.7 Classification results from classifier EOSVM

從圖7中的結(jié)果可觀察到，隨著EOSVM投票規(guī)則中投票權(quán)重的增大，分類效果（包括準(zhǔn)確率、敏感度、特異性）逐漸提高。當(dāng)EOSVM的投票權(quán)重為100%時(shí)，分類預(yù)測(cè)的效果最好，總準(zhǔn)確率達(dá)到95.45%，敏感度96.79%，特異性100%，此時(shí)可預(yù)測(cè)患者比例為23%。

EOSVM的分類結(jié)果比上文中分類器SVM、KNN、AdaBoost及Bagging tree的分類準(zhǔn)確性和敏感度有顯著提升。EOSVM對(duì)腦卒中患者意識(shí)障礙的識(shí)別分類將為醫(yī)生的診斷提供輔助信息。

4 結(jié)束語(yǔ)

不平衡數(shù)據(jù)集的分類經(jīng)常出現(xiàn)的問題是，在預(yù)測(cè)時(shí)將所有被試者預(yù)測(cè)為數(shù)據(jù)集中的大多數(shù)類別（即本實(shí)驗(yàn)中的無(wú)意識(shí)障礙類），從而導(dǎo)致整個(gè)分類預(yù)測(cè)的失敗。本文設(shè)計(jì)的集成支持向量機(jī)EOSVM有效提高了非平衡數(shù)據(jù)集分類的準(zhǔn)確性。

本文利用定量腦電圖特征構(gòu)建的腦網(wǎng)絡(luò)及EOSVM分類器可以以96.97%的準(zhǔn)確率，95.45%的敏感度和96.97%的特異性預(yù)測(cè)出23%的腦卒中患者的意識(shí)障礙。利用腦電圖監(jiān)測(cè)評(píng)估腦卒中患者意識(shí)障礙的方法，可為醫(yī)生的診斷提供輔助信息。