作者及机构
本研究的作者为刘金森（硕士研究生）、黄炜嘉（博士研究生、讲师）和李效龙（硕士、副教授），均来自江苏科技大学电子信息学院。该论文发表于《计算机与数字工程》（Computer & Digital Engineering）2023年第3期（第51卷）。
科学领域及研究动机
癫痫是一种具有突发性和反复性的神经系统疾病，严重危害患者的生活质量。研究表明，癫痫发作具有一定的可预测性。若能在发作前发出预警，可帮助患者或医疗人员提前采取措施，减轻病情危害。因此，癫痫发作的自动预测（Automatic Prediction）成为脑电（EEG）研究的热点问题之一。
传统癫痫预测方法依赖脑电信号的特征提取与分类。癫痫发作阶段可分为：
- 发作前期（Preictal）（发作前10分钟）
- 发作期（Ictal）
- 发作后期（Postictal）
- 发作间期（Interictal）
预测的核心问题是区分发作前期与发作间期脑电信号。目前常见的特征提取方法包括：
1. 时域分析（均值、标准差、Hjorth复杂度）
2. 频域分析（功率谱密度）
3. 时频分析（短时傅里叶变换、小波变换、小波包变换、经验模态分解）
4. 非线性动力学方法（最大Lyapunov指数、熵分析）
其中，小波包变换（Wavelet Packet Transform, WPT） 对非平稳信号（如脑电）有良好的多尺度分析能力，被广泛应用于癫痫信号处理。此外，支持向量机（Support Vector Machine, SVM） 是常见的机器学习分类方法，但其参数优化依赖人工经验或网格搜索（Grid Search），效率较低。
本研究提出一种粒子群优化（Particle Swarm Optimization, PSO）-SVM模型，结合小波包系数能量特征提取，以提高分类准确性并减少计算时间。
研究对象与数据
采用CHB-MIT癫痫数据库（https://www.physionet.org/content/chbmit/1.0.0/），选取5名患者的脑电数据（16-bit分辨率，256Hz采样率）。每次发作前10分钟定义为发作前期，发作间期数据选取10分钟进行对比分析。
信号处理步骤
1. 滑动窗口分段：
- 窗口大小：10s（无重叠）
- 发作前期 & 发作间期各生成240个样本。
2. 小波包变换特征提取：
- 选用db5小波进行5层分解，生成32个子频带（0-128Hz）。
- 选取前8个频段（0-32Hz）进行相对能量计算（公式5），消除量纲影响。
特征有效性验证
通过对比发作前期与发作间期的能量分布，发现：
- 发作前期：低频段（s5_0, 0-4Hz）能量占比高（79.54%）
- 发作间期：高频段（s5_2, 8-12Hz）能量占比更高
这证明小波包系数能量能有效区分两类信号。
SVM模型构建
SVM的核心是寻找最优超平面，目标函数为凸二次规划问题（公式6）。本研究采用径向基核函数（RBF），其参数（惩罚因子C、核函数参数σ）通过PSO优化选择。
PSO优化流程
1. 参数初始化：
- 种群规模=20，迭代次数=200
- C ∈ [0.1, 100]，σ ∈ [0.01, 1000]
- 惯性权重w=1，学习因子c1=1.5，c2=1.7
2. 适应度函数：十折交叉验证的平均准确率
3. 粒子更新（公式12-13）：根据个体最优（pbest）和全局最优（gbest）调整速度和位置
优化结果
PSO寻优的最优参数组合为（C=1.2399, σ=7.5833），训练准确率达98.3051%（图5），优于网格搜索（85.83%）和随机参数法（63.33%）。
为提高预测稳定性，减少误报，提出一种1分钟滑动窗口判决方法（公式14-15）：
- 统计每分钟内SVM输出为“发作前期”的样本数num_preictal[t]
- 若num_preictal[t] ≥ P（阈值=4），则判定该分钟为发作前期
✅ PSO优化SVM：相比网格搜索，计算时间减少40%（9.58s vs 16.28s），准确率提升（87.5% vs 85.83%）
✅ 自适应阈值判决：减少误报，提升预测可靠性
✅ 开源数据库验证：基于CHB-MIT数据集，增强可重复性
未来可结合深度学习（如LSTM）进一步提升长期预测能力，或扩展至多模态数据（如fMRI）。