本文關(guān)鍵詞：基于樣本熵與小波包能量特征提取和Real AdaBoost算法的正常期、癲癇間歇與發(fā)作期的腦電自動(dòng)檢測

  更多相關(guān)文章： 腦電圖 癲癇 Real AdaBoost算法 樣本熵 糾錯(cuò)編碼

【摘要】：腦電圖(EEG)分析已被廣泛應(yīng)用于疾病的診斷,針對(duì)癲癇患者的腦電檢測可及時(shí)對(duì)患者的發(fā)病情況作出判斷,具有很強(qiáng)的實(shí)用價(jià)值,因此急需癲癇腦電自動(dòng)檢測、診斷分類技術(shù)。為實(shí)現(xiàn)患者正常期、癲癇發(fā)作間期和發(fā)作期各時(shí)段腦電的快速、高精度自動(dòng)檢測分類,本文提出一種基于樣本熵(SampEn)與小波包能量特征提取結(jié)合糾錯(cuò)編碼(ECOC)Real AdaBoost算法的腦電自動(dòng)分類識(shí)別方法。將輸入信號(hào)的樣本熵值和4層小波包分解后的部分頻段能量作為特征,并用糾錯(cuò)編碼和Real AdaBoost算法相結(jié)合的方式對(duì)其進(jìn)行分類。本文采用德國波恩大學(xué)癲癇數(shù)據(jù)庫實(shí)驗(yàn)數(shù)據(jù)(含正常人清醒、睜眼與清醒、閉眼,癲癇患者間歇期致癇灶外與致癇灶內(nèi)及癲癇發(fā)作期5組腦電信號(hào))進(jìn)行了方法有效性檢驗(yàn)。研究結(jié)果表明,該方法有較強(qiáng)的腦電特征分類識(shí)別能力,尤其對(duì)癲癇間歇期腦電信號(hào)識(shí)別率提升顯著,上述5組3個(gè)時(shí)期不同特征腦電信號(hào)的平均識(shí)別率可達(dá)96.78%,優(yōu)于文獻(xiàn)已報(bào)道的多種算法且有較好穩(wěn)定性與運(yùn)算速度及實(shí)時(shí)應(yīng)用潛力,可在臨床上對(duì)癲癇疾病的預(yù)報(bào)及檢測起到良好的輔助決策作用。
【作者單位】： 山東大學(xué)信息科學(xué)與工程學(xué)院;
【關(guān)鍵詞】： 腦電圖 癲癇 Real AdaBoost算法 樣本熵 糾錯(cuò)編碼
【基金】：國家自然科學(xué)基金項(xiàng)目資助(61571275)
【分類號(hào)】：R742.1;R741.044
【正文快照】： 引言癲癇(epilepsy)是由于大腦神經(jīng)元異常放電所導(dǎo)致的短暫大腦功能障礙。癲癇患者在間歇期和發(fā)作期的腦電圖(electroencephalogram,EEG)會(huì)有較為明顯的異常表現(xiàn),出現(xiàn)棘波、尖波及棘慢復(fù)合波等特征波形,因而腦電圖作為一項(xiàng)重要手段已廣泛應(yīng)用于癲癇檢測中。醫(yī)學(xué)專家可以對(duì)腦電，

本文編號(hào)：620864