基于样本熵与小波包能量特征提取和Real AdaBoost算法的正常期、癫痫间歇与发作期的脑电自动检测

发布时间：2017-08-04 17:30

  本文关键词：基于样本熵与小波包能量特征提取和Real AdaBoost算法的正常期、癫痫间歇与发作期的脑电自动检测

  更多相关文章： 脑电图 癫痫 Real AdaBoost算法 样本熵 纠错编码

【摘要】：脑电图(EEG)分析已被广泛应用于疾病的诊断,针对癫痫患者的脑电检测可及时对患者的发病情况作出判断,具有很强的实用价值,因此急需癫痫脑电自动检测、诊断分类技术。为实现患者正常期、癫痫发作间期和发作期各时段脑电的快速、高精度自动检测分类,本文提出一种基于样本熵(SampEn)与小波包能量特征提取结合纠错编码(ECOC)Real AdaBoost算法的脑电自动分类识别方法。将输入信号的样本熵值和4层小波包分解后的部分频段能量作为特征,并用纠错编码和Real AdaBoost算法相结合的方式对其进行分类。本文采用德国波恩大学癫痫数据库实验数据(含正常人清醒、睁眼与清醒、闭眼,癫痫患者间歇期致痫灶外与致痫灶内及癫痫发作期5组脑电信号)进行了方法有效性检验。研究结果表明,该方法有较强的脑电特征分类识别能力,尤其对癫痫间歇期脑电信号识别率提升显著,上述5组3个时期不同特征脑电信号的平均识别率可达96.78%,优于文献已报道的多种算法且有较好稳定性与运算速度及实时应用潜力,可在临床上对癫痫疾病的预报及检测起到良好的辅助决策作用。
【作者单位】： 山东大学信息科学与工程学院;
【关键词】： 脑电图 癫痫 Real AdaBoost算法 样本熵 纠错编码
【基金】：国家自然科学基金项目资助(61571275)
【分类号】：R742.1;R741.044
【正文快照】： 引言癫痫(epilepsy)是由于大脑神经元异常放电所导致的短暂大脑功能障碍。癫痫患者在间歇期和发作期的脑电图(electroencephalogram,EEG)会有较为明显的异常表现,出现棘波、尖波及棘慢复合波等特征波形,因而脑电图作为一项重要手段已广泛应用于癫痫检测中。医学专家可以对脑电，

本文编号：620864