Feature selection plays a vital role in the detection and discrimination of epileptic seizures in electroencephalogram (EEG) signals. The state-of-the-art EEG classification techniques commonly entail the extraction of the multiple features that would be fed into classifiers. For some techniques, the feature selection strategies have been used to reduce the dimensionality of the entire feature space. However, most of these approaches focus on the performance of classifiers while neglecting the association between the feature and the EEG activity itself. To enhance the inner relationship between the feature subset and the epileptic EEG task with a promising classification accuracy, we propose a machine learning-based pipeline using a novel feature selection algorithm built upon a knockoff filter. First, a number of temporal, spectral, and spatial features are extracted from the raw EEG signals. Second, the proposed feature selection algorithm is exploited to obtain the optimal subgroup of features. Afterwards, three classifiers including [Formula: see text]-nearest neighbor (KNN), random forest (RF) and support vector machine (SVM) are used. The experimental results on the Bonn dataset demonstrate that the proposed approach outperforms the state-of-the-art techniques, with accuracy as high as 99.93% for normal and interictal EEG discrimination and 98.95% for interictal and ictal EEG classification. Meanwhile, it has achieved satisfactory sensitivity (95.67% in average), specificity (98.83% in average), and accuracy (98.89% in average) over the Freiburg dataset.

中文翻译：

---

揭示癫痫脑电图识别中的假阳性特征

特征选择在脑电图 (EEG) 信号中癫痫发作的检测和辨别中起着至关重要的作用。最先进的 EEG 分类技术通常需要提取将输入分类器的多个特征。对于某些技术，已使用特征选择策略来降低整个特征空间的维数。然而，这些方法中的大多数都关注分类器的性能，而忽略了特征与 EEG 活动本身之间的关联。为了增强特征子集和癫痫脑电图任务之间的内部关系，并具有有希望的分类精度，我们提出了一种基于机器学习的管道，该管道使用一种基于仿冒过滤器的新型特征选择算法。首先，一些时间，频谱，从原始脑电信号中提取空间特征。其次，利用所提出的特征选择算法来获得最优的特征子组。之后，使用了三个分类器，包括 [公式：见正文]-最近邻 (KNN)、随机森林 (RF) 和支持向量机 (SVM)。在波恩数据集上的实验结果表明，所提出的方法优于最先进的技术，正常和发作间期脑电图识别的准确率高达 99.93%，发作间期和发作期脑电图分类的准确率高达 98.95%。同时，它在弗莱堡数据集上取得了令人满意的灵敏度（平均 95.67%）、特异性（平均 98.83%）和准确度（平均 98.89%）。利用所提出的特征选择算法来获得最优的特征子组。之后，使用了三个分类器，包括 [公式：见正文]-最近邻 (KNN)、随机森林 (RF) 和支持向量机 (SVM)。在波恩数据集上的实验结果表明，所提出的方法优于最先进的技术，正常和发作间期脑电图识别的准确率高达 99.93%，发作间期和发作期脑电图分类的准确率高达 98.95%。同时，它在弗莱堡数据集上取得了令人满意的灵敏度（平均 95.67%）、特异性（平均 98.83%）和准确度（平均 98.89%）。利用所提出的特征选择算法来获得最优的特征子组。之后，使用了三个分类器，包括 [公式：见正文]-最近邻 (KNN)、随机森林 (RF) 和支持向量机 (SVM)。在波恩数据集上的实验结果表明，所提出的方法优于最先进的技术，正常和发作间期脑电图识别的准确率高达 99.93%，发作间期和发作期脑电图分类的准确率高达 98.95%。同时，它在弗莱堡数据集上取得了令人满意的灵敏度（平均 95.67%）、特异性（平均 98.83%）和准确度（平均 98.89%）。在波恩数据集上的实验结果表明，所提出的方法优于最先进的技术，正常和发作间期脑电图识别的准确率高达 99.93%，发作间期和发作期脑电图分类的准确率高达 98.95%。同时，它在弗莱堡数据集上取得了令人满意的灵敏度（平均 95.67%）、特异性（平均 98.83%）和准确度（平均 98.89%）。在波恩数据集上的实验结果表明，所提出的方法优于最先进的技术，正常和发作间期脑电图识别的准确率高达 99.93%，发作间期和发作期脑电图分类的准确率高达 98.95%。同时，它在弗莱堡数据集上取得了令人满意的灵敏度（平均 95.67%）、特异性（平均 98.83%）和准确度（平均 98.89%）。