近似熵与SVM结合在脑电信号分类中的应用
自动探测和识别脑电(EEG)癫痫波对于临床上预测癫痫发作和辅助医师诊断治疗具有重要意义.本文通过非线性动力学指标--近似熵(ApEn)与支持向量机(SVM)相结合的方法对癫痫发作间歇期EEG和发作期EEG进行分类,通过分类结果来检验非线性动力学指标是否可有效运用于脑电癫痫波的自动实时探测中并验证由非线性动力学指标训练的分类器的泛化能力.首先选取四例病人的脑电癫痫波(一例病人的数据用于训练分类器,另三例病人的数据用于测试分类器),然后按实验要求将数据分段并提取各段特征值,将一例病人的数据用于构建SVM分类器,然后用该SVM分类器对另外三例病人的脑电癫痫波进行分类得到结果.结果表明利用非线性动力学指标训练的分类器具有良好的泛化能力,对三例不同病人的脑电数据的平均分类准确率达93.33％.
癫痫 脑电癫痫波 信号分类 近似熵 支持向量机
张振 周毅 陈子怡 黄瑞梅
中山大学中山医学院生物医学工程系 中山大学附属第一医院神经内科
国内会议
广东惠州
中文
184-191
2013-04-09（万方平台首次上网日期，不代表论文的发表时间）