节能型脑电图监测系统

节能型脑电图监测系统用于无线癫痫发作检测

1. 引言

无线脑电图（EEG）监测系统已用于远程癫痫发作检测应用。这些系统无线采集、处理并传输脑电图数据至服务器，在服务器上对数据进行分析，以检测是否存在癫痫发作[1]。已经开发出多种基于无线脑电图的癫痫发作检测方法，并显示出良好的癫痫发作检测性能[2e6]。这些方法的成功为改善癫痫管理带来了希望。例如，当患者发生癫痫发作时，这些系统会向家属和/或护理人员发出警报，以便他们在发作期间及之后对其进行照护。他们可以清除患者周围物理空间中的尖锐或硬物以防止受伤，将患者侧卧以确保其在发作期间气道通畅，并记录发作时间，若出现任何并发症则及时呼叫医疗救助[7]。

为了使无线癫痫发作检测系统在癫痫监测和管理中具有临床价值，开发一种用于处理和传输动态脑电图信号的可靠方法至关重要。随着无线和电子技术的最新进展，符合人体工程学、轻量且舒适设计的无线脑电图头带已成为传统有线设备进行脑电图监测的一种日益可行的替代方案。无线脑电传感器单元是一种微型化的电池供电设备，可无线捕捉、处理并传输脑电图信号至接收端的服务器，在服务器端存储数据并进行进一步的数据分析。这类无线脑电设备的一个主要限制是其电池寿命有限。对于典型的包含24个脑电图电极的脑电图导联，采用400赫兹的采样率和16位模数转换器时，会产生150千比特每秒的数据速率。鉴于如此高的数据速率，将全部原始脑电图数据直接传输到服务器端的传统方式并不可行，因为无线传输在功耗方面极为耗电。如所示

章节

69 EnergyEfficiencyofMedicalDevicesandHealthcareApplications.
htt p s://doi.or g /10.1016/B978-0-12-819045-6.00004-2版权 © 2020爱思唯尔公司版权所有。

本文档由funstory.ai的开源PDF翻译库BabelDOCv0.5.10(http://yadt.io)翻译，本仓库正在积极的建设当中，欢迎star和关注。

在参考文献[8],中，无线脑电数据传输占无线脑电设备总功耗的 w70%。

为了改善无线脑电数据传输中的功耗，应显著减少待传输数据的大小。一种可能的技术是在传输原始脑电信号之前对其应用数据压缩。这可以通过部署压缩感知或小波变换压缩技术来实现[9,10]。动态脑电通道选择作为一种替代的数据缩减方法，也已用于无线癫痫发作检测应用[11,12]。另一种近期的数据缩减方法是在传感器单元上执行特征提取，仅传输与癫痫发作相关的脑电特征[6,13]。然而，上述提到的数据缩减方法面临两个主要挑战。首先，其中一些方法是计算密集型的，它们在传感器端处理脑电图信号所消耗的能量变得与无线传输所需能量相当。其次也是最重要的一点，传输数据量的减少可能导致脑电信息内容出现不可忽略的损失，从而对癫痫发作检测性能产生负面影响。

为了解决这些挑战，本章节描述了一种计算简单、节能且伪无损的脑电图数据缩减方法，适用于无线癫痫发作检测应用。该方法称为随机缺失‐期望最大化或MAR‐EM[14]。与最先进的方法相比，该方法在实现更优的癫痫发作检测性能的同时消耗更少的能量。在传感器端，通过随机选择并删除部分数据点来减小数据量。此过程计算简单，能有效降低数据传输中的功耗，从而延长电池寿命。在服务器端，采用一种名为期望最大化的机器学习算法来恢复缺失（随机删除）的数据点。该方法可应用于三种不同类型的脑电监测框架中的任何一种。这些框架基于以下程序之一：（1）传输所有原始脑电图数据，（2）传输压缩后的脑电图数据，或（3）传输提取的脑电特征。我们证明，对于每种框架，该方法都能显著降低无线脑电设备的总功耗，同时保持较高的癫痫发作检测性能。在获得95%e99%的癫痫发作检测准确率的同时，功耗可降低w60%。

2. 研究背景

关于用于无线癫痫发作检测应用的节能型脑电图监测系统的研究尚不多见 [15]。在文献[15],中，Nia等人开发了一种用于个人健康监测系统的节能方案。该方案使用一组不同的生物医学传感器，如加速度计、血压、心率

70第4章节能型脑电图监测系统

以及脑电图。所提出的方案结合了压缩感知、样本聚合和异常驱动传输，以降低无线脑电图传输的功耗。实验结果表明，该方案通过在将传感器数据传输到服务器端之前简单地对其进行累积，即可实现显著的节能效果。

在参考文献[11],施等人提出了一种用于高效节能的移动癫痫监测应用的脑电图通道（传感器）选择方法。他们使用机器学习算法自动识别包含癫痫发作检测相关信息的脑电图通道。通过使用来自16名患者的临床脑电图数据集，对所提出的算法进行了检验，并将其性能与先前的研究进行了比较。结果表明，该算法可将脑电图通道数量从18个有效减少到6个，同时保持相当的癫痫发作检测准确率（97%）。然而，平均检测延迟从7.8秒增加到11.2秒。

在一项类似的研究中[12],福尔等人提出了一种动态脑电通道选择方法，以在不降低检测准确率的前提下减少无线癫痫发作检测系统的总功耗。研究人员测试了不同脑电图通道组合，并选择了实现最佳癫痫发作检测率的组合进行进一步分析。实验结果表明，所提出的通道选择方法在不影响癫痫发作检测性能的情况下，实现了高达47%的节能。

在参考文献[13],中，江等人提出了一种节能的数据缩减方法，用于减少无线脑电图癫痫发作检测系统中的传输数据。他们研究了两种数据缩减方法：压缩感知和片上特征提取。性能评估以癫痫发作检测准确率和总功耗为指标（同时讨论了检测准确率与功耗之间的权衡）。结果表明，仅传输与癫痫发作模式相关的脑电特征，可显著降低无线传输所消耗的功耗。该方法使传感器节点的电池寿命延长了14倍，同时保持了与传统方法相同的癫痫发作检测性能（癫痫发作检测灵敏度为95%）。

在参考文献[6],中，侯赛因等人开发了一种片上数据缩减方法，在传感器端提取了低复杂度和基于高层应用的脑电图特征。具体而言，将脑电图频谱划分为五个频率子带；选择这些子带的多种组合作为特征向量，并使用k近邻进行脑电图分类。仿真结果表明，a和d脑电图节律构成了癫痫发作准确检测所需的最具代表性的特征向量。获得了92.47%分类准确率的满意癫痫发作检测准确率。此外，参考文献[6]中提出的该方法在总功耗和癫痫发作检测性能方面优于传统数据流和压缩方法。

2.研究背景71

3. 脑电图特征提取与分类

3.1 脑电图数据与受试者

后文所述的MAR‐EM方法在波恩大学提供的脑电图数据集上进行了测试[16]。
本章节中，我们研究三类分类问题，以区分以下脑电图类别：正常脑电图记录自五名无癫痫症状的健康受试者，发作间期脑电图记录自五名癫痫患者在无发作间期期间，以及发作期脑电图记录自五名正在经历癫痫发作的患者。

每个脑电图类别包含100个单通道脑电图信号，每个信号时长为23.6秒。所有脑电图信号均经过滤波、放大，并以173.6赫兹采样频率通过12位模数转换器(ADC)进行数字化处理。

3.2 脑电图特征提取

特征提取是一种降维过程，可去除原始数据中的冗余信息，以促进后续的分析和分类过程，并在某些情况下有助于更好地进行人工解释。因此，应开发高效的特征提取方法以消除数据模糊性并降低分类问题的计算成本。在本章节中，我们采用一种传统的基于频域的特征提取方法来检验MAR‐EM方法的有效性。所部署的特征提取方法具有较低的计算复杂度，并生成可区分的脑电特征，能够准确表征原始数据。

采集到的脑电图信号首先通过快速傅里叶变换(FFT)转换到频域，然后从脑电图节律Delta(d)、Theta(q)、Alpha(a)、Beta1(b1)、Beta2(b2)和 Gamma(g)中计算典型特征。这些节律的频率范围分别为0.5e4、4e8、8e13、13e22、22e35和>35Hz。从每个脑电图节律中计算均值、中位数、最小值、最大值、标准差、偏度、峰度和平均功率等特征，然后将它们组合起来形成特征向量。

图4.1显示了含噪声脑电信号和干净脑电图信号的频谱。含噪声信号受到合成肌电伪迹的干扰，其信噪比为0分贝。该图清楚地表明，无噪声脑电图信号的频谱集中在0e50赫兹的低频范围内，而含噪声脑电信号的频谱则散布在整个频率范围内。这促使我们使用从50赫兹以下的脑电图节律中提取的脑电特征。

我们的实验表明，从脑电图节律d、q和b1中提取的特征仅能生成一个用于癫痫发作准确检测的代表性特征向量。

3.3 脑电图分类

如第3.1节所述，分类问题是要区分正常（非发作）脑电图、发作间期（两次发作之间）脑电图和发作期（发作期间）脑电图信号。鉴于每类脑电图有100个信号，总共300个

72第4章节能型脑电图监测系统

脑电图信号被用于训练和测试所提出的癫痫发作检测方法。对于每个脑电图信号，都进行了特征提取，并将选定的特征连接起来，构成一个包含24个元素的特征向量。

为了确定新观察到的特征向量是否代表正常、发作间期或发作期活动，采用了一个多分类模型。我们评估了多个分类器的性能，发现随机森林（RF）实现了更优的癫痫发作检测性能。随机森林集成了若干树预测器，每个树预测器具有自己的权重，并被视为一个独立的分类器[17]。总体分类准确率基于所有树的分类输出进行计算。原则上，正确类别由多数树的投票结果决定。在本研究中，分类所有特征类型时均采用了具有10棵树的随机森林分类器。

所提出的无线癫痫发作检测系统的分类性能在逐个受试者基础上使用留一法交叉验证[18],进行评估，其工作方式如下：在每一轮中，除一名受试者外，其余所有受试者的特征向量均用作训练集来训练分类器。然后使用该被排除受试者的特征向量来测试分类器。

该过程被重复执行，直到所有受试者的数据均被保留一次。该测试反映了癫痫发作检测方法从训练集泛化并分类新的未观测数据的能力。

癫痫发作检测性能从以下几个方面进行了评估：
• 灵敏度，用于衡量实际阳性样本中被正确识别为阳性的比例（例如，分类器正确分类为癫痫发作时段的癫痫发作时段所占的百分比）。
• 特异性，用于衡量实际阴性样本中被正确识别为阴性的比例（例如，分类器正确分类为非癫痫发作时段的非癫痫发作时段所占的百分比）。
• 分类准确率，即正确预测的数量除以预测总数，再乘以100转换为百分比。

4. 提出的节能方法

本节介绍了如何在传感器端对数据进行编码，以将总功耗降低至w60%。同时展示了如何在服务器端解码数据以恢复原始的缺失数据。

4.1 随机缺失d传感器端

为了延长无线脑电图监测系统中传感器的使用寿命，应显著降低其功耗。因此，我们对现有的脑电图传感器单元进行了改进，增加了一个名为“随机缺失(MAR)”的新模块[19]。该模块随机删除部分脑电图数据点，从而减小需要传输到数据服务器的脑电图数据量（在服务器端进行数据恢复和癫痫发作检测）。这种数据缩减方法有助于降低无线传输中的功耗，而不会增加脑电图传感器节点的数据处理功耗。

图4.2描绘了原始脑电图数据中缺失值的生成模式示例，其中缺失数据点（变量）出现在随机位置。观测到的数据点和缺失的数据点分别用白色和红色表示。图4.2的纵轴对应100个脑电图片段，横轴对应每个脑电图片段中的数据点数量。为方便起见，仅绘制了0.3秒（50个脑电图时间实例）。在该图中，每个脑电图片段缺失其30%的数据点，即50个脑电图数据点中有15个缺失。

4.2 期望最大化d服务器端

在服务器端对数据进行分类之前，应首先估计缺失值。许多统计方法已被提出用于插补不完整数据。期望最大化（EM）算法是其中最有前景的算法之一，可以

74第4章节能型脑电图监测系统

有效估计缺失项[20]。给定一个统计模型，使用EM算法来估计给定观测数据 Z的缺失数据X。这可以表述为寻找模型参数x，使得条件概率 PðX jxÞ达到最大值。 PðX jxÞ可以用缺失值zi表示如下：

$$
PðX jxÞ¼X zi PðX; zijxÞ \quad 4.1
$$

其中x表示我们试图找到的概率模型的参数。

EM通过迭代执行以下两个步骤，来求解前述MAR边缘似然的最大似然估计：
1.期望步（E步）：估计QðxjxtÞd基于模型参数当前估计值xt的对数似然的条件期望：

$$
Qðxjx tÞ¼ E zjX; x t ” log X z i PðX; zijxÞ !# \quad 4.2
$$

2.最大化步（M步）：计算相对于x产生最大对数似然估计的参数：

$$
xtþ1 ¼ arg max x QðxjxtÞ \quad 4.3
$$

使用IBMSPSS软件中实现的EM方法来恢复缺失的EEG数据点。通过从10%到50%的不同缺失数据比例，考察了EM算法的性能。

5. 无线癫痫发作检测系统中的脑电图数据传输

科学文献中报道了三种主要的无线脑电图监测系统框架。第一种框架采集原始脑电图数据，并将其直接发送到服务器端。第二种框架采用压缩方法减小数据大小，然后将压缩数据传输到服务器端（在服务器端进行数据重建和分析）。第三种框架在传感器端进行特征提取，但仅将选定的特征传输到服务器端。

在本节中，我们展示如何修改前述三种框架，以降低其在传感器端的总功耗，同时保持服务器端较高的癫痫发作检测准确率。图4.3展示了

（A）在传输前将MAR应用于完整的原始脑电图数据，（B）在传输前将MAR应用于压缩后的脑电图数据，（C）在传输前将MAR应用于显著EEG节律。服务器端使用EM算法来恢复缺失值。

76第4章节能型脑电图监测系统

改进框架。在传感器端增加了MAR模块，该模块会随机删除部分脑电图数据点。在服务器端，使用EM算法来估计缺失的EEG数据点的值。为了评估MAR‐EM方案的有效性，对三种主要框架的检测准确率和总功耗进行了评估。

5.1 原始脑电图数据的传输

传统的无线脑电图监测系统框架将完整的原始数据（RD）传输到服务器端。该系统的主要缺点在于无线传输消耗大量功耗。图4.3上分支描绘了改进框架（通过在传感器端添加MAR模块并在接收端添加EM模块），以在显著降低功耗的同时保持较高的癫痫发作检测性能。RD框架的总功耗，记为PRD tot，计算如下：

$$
PRD_{tot} = PRD_E + PRD_T \quad 4.4
$$

其中PRD_E表示编码所消耗的功率（获取数据并进行放大），PRD_T表示数据传输所需的功率。对于多通道EEG监测系统，PRD_E由下式给出

$$
PRD_E = C(P_{Amp} + P_{ADC}) \quad 4.5
$$

其中，C是脑电图通道（电极）的总数，PAmp和PADC 分别对应放大器和模数转换器的功耗。

此外，数据传输所需的功率PRD_T 由以下公式给出

$$
PRD_T = C(f_s R J) \quad 4.6
$$

其中s是采样率，R是ADC分辨率，J是每比特的传输能量。

在修改RD框架以包含MAR模块后，传输所需的功率被缩放为L/N因子：

$$
PRD_T = C \left(\frac{L}{N} f_s R J\right) \quad 4.7
$$

其中L和N分别为缺失数据和原始数据的长度。根据公式(4.5)和(4.7)，RD框架的总功耗由下式给出

$$
P_{RD_{tot}} = C \left(P_{Amp} + P_{ADC} + \frac{L}{N} f_s R J\right) \quad 4.8
$$

5.2 压缩脑电图数据的传输

脑电图压缩技术被用来减小数据大小，从而降低传输功率。压缩感知（CS）提供了最有效的技术，已被用于脑电图数据压缩[21]。压缩率（CR）计算为 N:M，其中N是原始数据的长度，M是由压缩感知生成的压缩数据的长度。此处采用5:1的压缩率，使传输功率显著降低至原始值的五分之一。在服务器端，使用压缩感知重建方法来恢复原始信号。图4.3中间分支详细说明了在添加MAR和EM模块后改进的基于压缩感知的脑电图编码框架。这种基于压缩数据（CD）的脑电图监测框架的总功耗，记为PCD_tot，如下所示：

$$
PCD_{tot} = PCD_E + PCD_T \quad 4.9
$$

其中PCD_E和PCD_T分别对应于基于CD框架的编码和传输功率。

由于使用压缩感知对数据进行压缩需要部署随机数生成器（RNG）和矩阵乘法（MM）模块，因此编码功耗PCD_E的计算如下

$$
PCD_E = C(P_{Amp} + P_{ADC}) + P_{RNG} + P_{MM} \quad 4.10
$$

其中PRNG和PMM分别表示RNG和MM模块的功耗。

传输功率也被推导出为

$$
PCD_T = C \left(\frac{1}{CR} \cdot \frac{L}{M} f_s R J\right) \quad 4.11
$$

其中CR表示压缩率，等于N/M。

通过求和公式（4.10）和（4.11），可得到改进的基于压缩数据的脑电图监测框架的总功耗为

$$
PCD_{tot} = C \left(P_{Amp} + P_{ADC} + \frac{1}{CR} \cdot \frac{L}{M} f_s R J\right) + P_{RNG} + P_{MM} \quad 4.12
$$

5.3 脑电特征传输

最近，参考文献[6,13]中的研究提出了一种新型的脑电图编码方案。它们在传感器端对脑电图数据应用特征提取。一旦采集到脑电图数据，便提取与癫痫发作相关的特征，并将其发送到服务器端（在服务器端进行脑电图分类）。所提出的方案在数据编码和传输方面实现了显著的节能效果。然而，这些方案的癫痫发作检测性能有限。在此，我们修改了这些传感器上处理方案，以引入MAR和EM模块，最终目标是

78第4章 节能型脑电图监测系统

节省更多功耗并实现更优的癫痫发作检测准确率。对采集的脑电特征应用 MAR，以进一步减少传输的数据大小和传输功率。在服务器端，使用EM算法来估计缺失的脑电特征。图4.3 下分支描述了改进的片上传感器特征提取框架。

第3.2节中描述的特征提取方法在传感器端实现。首先获得脑电图数据的频谱，然后将d、q和b1脑电图节律传输到服务器端。在服务器端，从这些节律中计算与癫痫发作相关的特征，并将其用作RF分类器的输入。

因此，基于脑电特征（EEGF）的编码框架的编码功耗表示为[6]：

$$
P_{EEGF_E} = C \left(P_{Amp} + P_{ADC} + \frac{3N}{2} S \log_2(N)\right) \quad 4.13
$$

其中$\frac{3N}{2} \log_2(N)$是快速傅里叶变换带来的计算复杂度，S 是执行一次快速傅里叶变换指令所需的净功率。

传输功率，用$P_{EEGF_T}$表示，也进行了计算

$$
P_{EEGF_T} = C \left(\frac{N_F}{L_F} f_s R J\right) \quad 4.14
$$

其中，F 表示脑电图节律 d、q 和 b1 中的频率分量数量（即 390）。

因此，基于脑电图特征的脑电监测框架的系统总功耗表示为

$$
P_{EEGF_tot} = C \left(P_{Amp} + P_{ADC} + \frac{3N}{2} S \log_2(N) + \frac{L}{N} f_s R J\right) \quad 4.15
$$

6. 功耗评估和癫痫发作检测性能

为了评估MAR‐EM节能方法的有效性，分别计算每个框架的系统总功耗。同时在服务器端评估灵敏度、特异性和分类准确率等标准性能指标。使用 Matlab对传感器端的功耗值进行量化，使用WEKA软件在服务器端评估癫痫发作检测性能。

6.1 原始脑电数据流

对于原始脑电图流框架，无线脑电传感器单元负责数据采集并向服务器端传输数据，诊断和检测过程在服务器端进行。如图4.3 上分支所示，我们对传统的

6.功耗评估与癫痫发作性能 79

通过集成MAR和EM模块实现原始脑电图流的模型。MAR模块有意删除部分数据点，从而减少需要传输到数据服务器的脑电图数据量。EM模块在服务器端用于恢复缺失值。图4.4A 显示了一个持续时间为23.6秒的原始脑电图信号。MAR模块的影响如图4.4B所示，其中脑电图信号缺失了30%的样本。图4.4C 展示了EM方法恢复原始脑电图信号的有效性。原始脑电图信号与恢复后的脑电图信号之间的均方根误差为0.012，验证了两个信号的相似性。

为了证明改进后的原始脑电图流式框架的节能能力，评估了系统总功耗，并与最先进的方法进行了比较。系统参数C、PAmp、PADC、R以及J的值分别为24、2.9mW、0.2mW、12 位/样本和50 纳焦/位[22,23]。标准癫痫发作检测性能指标也进行了评估，并与功耗值一起列于表4.1中。前两行显示了参考文献中提出的最先进方法所达到的敏感度、特异性、分类准确率和总功耗 [6,13]。尽管其癫痫

时间（秒）
0 5 10 15 20
Amplitude(uV)
-200 -150 -100 -50 0 50 100 150 200 原始脑电图

时间（秒）
0 5 10 15 20
Amplitude(uV)
-200 -150 -100 -50 0 50 100 150 200 不完整的脑电图

时间（秒）
0 5 10 15 20
Amplitude(uV)
-200 -150 -100 -50 0 50 100 150 200 恢复的脑电图

(A)
(B)
(C)
、(B)和(C)分别对应原始、缺失和恢复的原始脑电图数据)

80第4章 节能型脑电图监测系统

Chiang的方法实现的检测准确率[13],脑电传感器单元的总功耗高达32.50毫瓦。侯赛因的方法虽然功耗相当，但癫痫发作检测性能较低[6]。

另一方面，MAR‐EM方法能够有效实现无线脑电传感器节点的功耗与服务器端癫痫发作检测性能之间的最佳权衡。它在确保相当的癫痫发作检测准确率的同时消耗更少的功率。所采用的MAR模块可以将原始脑电图数据的大小减少不同的百分比。删除的数据点百分比越大，MAR‐EM方法实现的节能效果就越多。MAR（XX%）表示数据中缺失了XX%的数据。在从00%（无缺失点）到50%的不同缺失百分比下评估检测准确率和功耗。可以明显观察到，MAR‐EM方法能够在不损害癫痫发作检测性能的情况下显著降低总功耗。

我们建议使用具有30%数据缺失的MAR‐EM方法[13], ，其癫痫发作检测准确率与Chiang的方法相当，但在总功耗上实现了约50%的节能。

6.2 压缩脑电图数据流

根据图4.3B所示的基于压缩感知的脑电监测系统以及由公式(4.10)、(4.11)和(4.12)推导出的功耗模型，总的估计

表4.1 原始数据(RD)模型的癫痫发作检测性能和总功耗

6.功耗评估和癫痫发作检测性能 81

功耗值如表4.2所示。随机数生成器的功耗 $(P_{RNG})$ 以及矩阵乘法的功耗 $(P_{MM})$ 分别为 3 毫瓦和 352 毫瓦。系统整体检测性能和功耗在不同压缩数据缺失百分比下进行了评估。表4.2中报告的数值结果验证了基于MAR‐EM的癫痫发作检测方法相较于最先进的方法的有效性。在不严重影响检测准确率的前提下，显著降低了数据传输成本。例如，表4.2的第四行表明，在30%的数据缺失情况下，MAR‐EM方法能够实现与Chiang的方法相当的检测准确率，同时将功耗从7.46毫瓦降低至4.30毫瓦。

6.3 脑电特征流式传输

基于MAR‐EM的节能脑电图监测框架如图4.3C 所示，在片上传感系统方面优于现有技术。系统参数 S的取值为66皮瓦 [25]。在集成MAR模块之前 （即00%MAR），获得的分类准确率为99.38%，整体功耗为2.30毫瓦。使用MAR模块可以进一步减少需要传输到服务器端的频率分量数量，从而显著降低总功耗。 表4.3 中列出的定量结果解释了随着

表4.2 压缩数据（CD）模型的癫痫发作检测性能和总功耗

82第4章 节能型脑电图监测系统

缺失百分比增加，检测准确率的下降情况。可以看出，对于40%缺失点的 MAR情况，MAR‐EM方法能够实现比Chiang的方法更高的癫痫发作检测准确率，[13]同时其功耗仅为其 w25%。

表4.3 脑电特征(EEGF)模型的癫痫发作检测性能和总功耗

7. 局限性与建议

所提出的节能型无线癫痫发作检测系统在服务器端采用期望最大化算法进行数据恢复。当缺失数据的百分比较小且数据维度不太高时，该算法能够高效运行[26]。对于具有高维度和/或高缺失百分比的数据，EM算法运行非常缓慢。这是因为期望步计算密集型，并且随着过程接近局部最大值，其收敛极慢[27]。我们还注意到，当缺失数据超过50%时，EM算法的重构准确率显著降低。由此产生的高重构误差对提取的脑电特征产生严重影响，进而对癫痫发作检测准确率产生负面影响。因此，我们建议仅将节能型MAR‐EM系统用于离线脑电监测应用。同时建议将缺失数据百分比控制在50%以下，以确保较小的重构误差和快速收敛。

8. 总结与结论

本章节介绍了一种用于无线癫痫发作监测与检测的节能方法。随机缺失（MAR）算法被用于

8.总结与结论 83

在传感器端，通过降低脑电图数据传输的能耗来减少能量消耗。在服务器端，我们利用期望最大化（EM）方法重构缺失值，并准确恢复缺失数据。此外，我们采用了一种高效的特征提取方法，用于选择可区分的脑电特征以进行癫痫发作检测。选取了脑电图节律d、q和b1来计算一组描述性统计特征，作为随机森林分类器的输入。所提出的MAR‐EM方案相较于现有的基线方法具有优越性，能够在保持与最先进的方法相当的癫痫发作检测准确率的同时，实现42%至75%的更低功耗。