基于TCM的癲癇腦電識別研究

王明星 田恬恬 吳邵平 翟臨威 舒炫煜 張錦

摘要：癲癇是大腦功能失調引起的神經系統的常見多發疾病之一，患者人數多，死亡率高，因此對癲癇病的研究至關重要。對于此類高風險場合的分類識別，僅用傳統的機器學習算法得到預測結果是不夠的，因為在這類識別研究中不僅要關注整體判斷的正確率，更要關注每一個個體的可信度，故引入置信機器，它既可以給出樣本的預測結果，也能給定預測結果的可信度，避免誤判，進而控制風險，這對癲癇疾病的識別研究起到一定的作用。

關鍵詞：癲癇;K近鄰算法;直推式置信機器

中圖分類號：TP18? ? ? ? 文獻標識碼：A? ? ? ? 文章編號：1009-3044（2018）36-0185-02

Abstract： Epilepsy is one of the common multiple diseases of the nervous system caused by brain dysfunction. The number of patients is high and the mortality rate is high. Therefore， research on epilepsy is very important. For the classification and identification of such high-risk occasions， it is not enough to use the traditional machine learning algorithm to obtain the prediction results， because in this kind of identification research， not only the correct rate of the overall judgment， but also the credibility of each individual should be paid attention to. Therefore， a confidence machine， transductive confidence machine （TCM）， is introduced， which can not only give the prediction result of the sample， but also give the credibility of the prediction result， avoid misjudgment， and then control the risk， which plays a certain role in the identification research of epilepsy disease.

Key words： Epilepsy; K nearest neighbor algorithm; Transductive confidence machine

大腦是整個人體最為復雜的系統。在大腦中，信息由神經元負責處理，通過突觸連接來傳遞，進而突觸連接又產生腦電信號（EEG）。如果在神經元之間信息傳遞發生不平衡，則會導致異常放電，稱為癲癇發作。癲癇發作是大腦中電活動突然激增，通常會影響人們在短時間內的感覺或行為[1]。癲癇長期頻繁發作會引起患者智力損傷， 嚴重者甚至會出現生活能力及認知功能下降[2]。因此，及時準確的檢測和診斷，對癲癇病人的病情救治至關重要。隨著機器學習的不斷深入研究，在可信的機器學習方面也得到了迅速的發展。所謂可信的機器學習，就是要求機器學習算法不僅要給出判斷結果，還要給出這種判斷的可信度或可靠性程度。這種可信的機器學習是通過在機器學習算法中引入置信度機制來實現的，把引入置信度機制的機器學習法稱為置信機器（ConfidenceMachine，CM）學習算法，置信機器不僅可以做出預測，還可以對每個樣本預測產生定量的質量度量方法，即置信度和可信性。而直推式置信機[3，4]（Transductive ConfidenceMachine，TCM）是 CM 中公認效果最佳的一類。在機器學習中引入置信度機制構造置信機器，對于高風險場合的分類識別算法是非常適合與必要的，如醫療診斷、大型復雜的故障診斷、網絡入侵檢測等。因為在這類識別判斷中不僅要關注整體判斷的正確率，更要關注每一個個體判斷的可信度以便做出合理地針對個體的處理方法，避免誤判。

1 TCM介紹

直推式置信度機制是基于算法隨機性理論，先將待預測數據假定成所有可能的類別，然后分別與已知樣本構成隨機序列，計算構成新序列的隨機性大小，哪個分類下的序列隨機性越大，待預測樣本就越有可能屬于該分類，同時選取該隨機性值作為置信度，實現置信判定[5]。

隨機性的計算是通過隨機性檢測函數[t=t（z）]來實現，[z]是樣本空間中[Z]的有限集，[t（z）：Zn→[0，1]]，[n]為樣本序列的長度。然而該理論定義的隨機性檢測函數是不可計算的，因此必須建立滿足隨機性檢測函數條件的可計算的隨機性檢測函數，即奇異函數。實現奇異函數有三種方法，分別是距離奇異描述函數，支持奇異描述函數和應變奇異描述函數，本實驗因在KNN算法中嵌入直推式置信機，故采用距離奇異描述函數，對每一個樣本[x]定義一個奇異值[ri]表示用該函數描述如下：

其中[ri]表樣本[xi]到它的同類樣本的距離和與它異類樣本的距離和的比值。

根據樣本的類別[y（y∈{-1，+1}）]，然后通過（1）式計算出每個樣本類別中樣本的奇異值[（ry1，ry2，…，ryl）]。加入新測試樣本[xnew]，再計算[xnew]的奇異值[xnew]。然后得到奇異值序列[（ry1，ry2，…，ryl，rnew）]測試樣本的[P]值由隨機性檢測函數（2）式給出：