编辑推荐：
癫痫是常见神经系统疾病，全球约 6000 万人患病。研究人员开展基于最优滤波器组分解和 KNN 分类器的癫痫检测研究。利用 8 通道余弦调制滤波器组（CMFB）和 KNN 分类器，实现 99.75% 准确率和 0.423s 低计算时间，为癫痫诊断提供新方法。
在医学领域，神经系统疾病一直是备受关注的难题，其中癫痫作为一种常见的神经系统紊乱病症，严重影响着患者的生活质量。全球范围内，约有 6000 万人饱受癫痫之苦。癫痫发作时，患者大脑活动在发作期（ictal state）和发作前期（pre - ictal state）与正常状态相比，频率模式会发生显著变化。目前，癫痫的诊断主要依赖脑电图（Electroencephalogram，EEG）信号的分析。然而，EEG 信号具有二维非线性和非平稳的特性，传统的诊断方式是医生对患者的 EEG 信号进行目视检查和异常检测，以此来判断是否患有癫痫等神经系统疾病。但这种方法存在诸多问题，EEG 信号记录时间长，分析工作复杂、耗时，还需要专业的脑电图专家进行解读。随着临床 EEG 数据量的快速增长，专业脑电图专家却相对匮乏，因此开发自动化、计算机化的诊断技术迫在眉睫。
在这样的背景下，为了解决癫痫早期检测困难、诊断效率低等问题，相关研究人员开展了基于最优滤波器组分解和 KNN 分类器的癫痫检测研究。该研究成果发表在《Biomedical Signal Processing and Control》上。
研究人员运用的主要关键技术方法包括：采用多余弦调制滤波器组（Cosine Modulated Filter Bank，CMFB）方法对癫痫发作的 EEG 信号进行分解。利用 8 通道 CMFB 将信号分割为 8 个子带，从 13 个特征中通过 Kruskal - Wallis 检验（KWT）选取 6 个最优特征，再将这些特征输入 KNN 分类器进行分析 。研究中使用的数据来源于癫痫患者和健康志愿者。
下面来看具体的研究结果：
- EEG 信号处理步骤：运用 CMFB 方法对癫痫 EEG 信号进行分割，子带分割在分析信号的每一个瞬间都起着重要作用。通过这种方式，可以获取信号在低频和高频分量范围内的频谱信息。
- 实验平台及结果：研究在 MATLAB（R2024 - a）平台上开展，实验设备的运行频率为 3.4 GHz，采用 Windows 10 操作系统，搭载 64 位英特尔酷睿 i7 处理器和 8 GB 内存。研究发现，基于原型滤波器幅度响应，可以确定滤波器组中近似重构的标准。通过该研究方法，癫痫检测的准确率达到了 99.75%，计算时间仅为 0.423s。
研究结论和讨论部分表明，该研究提出的方法为神经学应用开发了一种强大且适用的新信号处理方法。通过选择合适的滤波器长度和窗口参数，能够获得规定的滚降因子和阻带衰减。与离散小波变换相比，该方法在准确率和计算时间上都有明显优势。这一研究成果意义重大，为癫痫的早期精准检测提供了新途径，有望在临床诊断中发挥重要作用，帮助医生更高效、准确地诊断癫痫，进而为患者提供更及时、有效的治疗。同时，研究人员还指出，未来可以利用该方法探索其他神经系统疾病的检测，如假昏迷（Pseudocoma）、抑郁症等，也可以聚焦于混合滤波器组模型的应用，以去除运动等伪影，进一步提高疾病分类的准确性。
