• 山東大學 信息科學與工程學院(山東青島 266237);
導出 下載 收藏 掃碼 引用

目前癲癇患者的發病預測手段十分耗時且易受主觀因素干擾,因此文中提出了一種基于共空間模式算法(CSP)和支持向量機(SVM)二重分類的癲癇發病自動預測方法。此方法將提取空域特征的共空間模式算法應用到癲癇腦電信號檢測中,但是該算法未考慮信號的非線性動力學特征且忽略了其時頻信息,所以在特征提取階段選取了標準差、熵和小波包能量這幾種互補特征來進行組合。分類過程采取一種基于支持向量機的全新二重分類模式,即將癲癇患者正常期、發作間期和發作期三個階段分成正常期和準發病期(包括發作間期和發作期)兩類進行支持向量機識別,然后對屬于準發病期的樣本進行發作間期和發作期的分類,最終實現三個時期的分類識別。實驗數據來自德國波恩大學的癲癇研究數據庫。實驗結果顯示,第一重分類平均識別率為 98.73%,第二重分類平均識別率可達 99.90%。結果表明,引入空域特征和二重分類模式能夠有效解決眾多文獻中發作間期和發作期識別率不高的問題,提升各個時期的識別效率,為癲癇患者的發病預測提供有效的檢測手段。

引用本文: 王玉瀟, 姜威, 劉治, 包丞嘯. 基于共空間模式算法和支持向量機二重分類的癲癇發病預測. 生物醫學工程學雜志, 2021, 38(1): 39-46. doi: 10.7507/1001-5515.201911042 復制

  • 上一篇

    基于自步學習的多經驗核映射集成分類器在乳腺癌超聲計算機輔助診斷上的應用
  • 下一篇

    基于遺傳算法和三維卷積神經網絡集成模型的阿爾茨海默癥早期輔助診斷