Epilepsy is a common mental disorder that affects about 70 million people worldwide. Epileptic electroencephalogram (EEG) signal, an important means to judge epileptic seizure, needs neurologists' prior knowledge to mark manually. This marking method is time-consuming and laborious. Currently, the existing automated diagnosis methods have achieved good results on one benchmark EEG dataset, most of which can achieve accuracy of more than 0.95. However, the method has limitations on the dataset, and the accuracy of the diagnosis results on another new dataset drops sharply to nearly 0.5. Aiming at the existing EEG signal diagnosis lacks stability and generalization ability, this paper proposed a multilayer-weighted integrated self-learning algorithm for different classifiers. For this algorithm, weighted voting was first conducted on the the diagnostic results by different classifiers to obtain a result, which was weighted again to produce the final diagnostic results. This algorithm improves the problem that the traditional self-learning algorithm is greatly affected by data noise, which shows a strong stability in different data sets and in clinical epileptic EEG signal data detection, so as to reduce the workload of neurologists and provide support and assistance for the diagnosis and treatment of epilepsy. The experiment result shows that the algorithm can improve the stability and reliability of EEG automatic diagnosis of epilepsy. The accuracy and AUC area of its classification in two different public data sets and clinical data can reach 0.80 to 0.95.

中文翻译：

---

用于癫痫脑电信号自动诊断的多层加权集成自学习算法

癫痫是一种常见的精神疾病，影响全球约 7000 万人。癫痫脑电图（EEG）信号是判断癫痫发作的重要手段，需要神经科医生的先验知识进行人工标注。这种标记方法既费时又费力。目前，现有的自动诊断方法在一个基准EEG数据集上取得了很好的效果，其中大部分可以达到0.95以上的准确率。但该方法对数据集存在局限性，在另一个新数据集上的诊断结果准确率急剧下降至接近 0.5。针对现有脑电信号诊断缺乏稳定性和泛化能力的问题，提出一种不同分类器的多层加权集成自学习算法。对于这个算法，首先对不同分类器的诊断结果进行加权投票，得到一个结果，再次加权产生最终的诊断结果。该算法改善了传统自学习算法受数据噪声影响较大的问题，在不同数据集和临床癫痫脑电信号数据检测中表现出较强的稳定性，从而减轻神经科医生的工作量，提供支持和帮助用于癫痫的诊断和治疗。实验结果表明，该算法能够提高癫痫脑电图自动诊断的稳定性和可靠性。其在两个不同的公共数据集和临床数据中的分类准确率和AUC面积可以达到0.80到0.95。再次加权以产生最终诊断结果。该算法改善了传统自学习算法受数据噪声影响较大的问题，在不同数据集和临床癫痫脑电信号数据检测中表现出较强的稳定性，从而减轻神经科医生的工作量，提供支持和帮助用于癫痫的诊断和治疗。实验结果表明，该算法能够提高癫痫脑电图自动诊断的稳定性和可靠性。其在两个不同的公共数据集和临床数据中的分类准确率和AUC面积可以达到0.80到0.95。再次加权以产生最终诊断结果。该算法改善了传统自学习算法受数据噪声影响较大的问题，在不同数据集和临床癫痫脑电信号数据检测中表现出较强的稳定性，从而减轻神经科医生的工作量，提供支持和帮助用于癫痫的诊断和治疗。实验结果表明，该算法能够提高癫痫脑电图自动诊断的稳定性和可靠性。其在两个不同的公共数据集和临床数据中的分类准确率和AUC面积可以达到0.80到0.95。在不同的数据集和临床癫痫脑电信号数据检测中表现出很强的稳定性，从而减轻神经科医生的工作量，为癫痫的诊断和治疗提供支持和帮助。实验结果表明，该算法能够提高癫痫脑电图自动诊断的稳定性和可靠性。其在两个不同的公共数据集和临床数据中的分类准确率和AUC面积可以达到0.80到0.95。在不同的数据集和临床癫痫脑电信号数据检测中表现出很强的稳定性，从而减轻神经科医生的工作量，为癫痫的诊断和治疗提供支持和帮助。实验结果表明，该算法能够提高癫痫脑电图自动诊断的稳定性和可靠性。其在两个不同的公共数据集和临床数据中的分类准确率和AUC面积可以达到0.80到0.95。