脑电图(EEG)分析对癫痫疾病的诊断具有重要的参考价值,对癫痫脑电信号的自动分类可以及时对患者的情况作出判断,在临床上有很重要的意义。为解决脑电信号采用单一特征识别率不高的问题,同时也为避免小波基函数的选取对分类结果的影响,...脑电图(EEG)分析对癫痫疾病的诊断具有重要的参考价值,对癫痫脑电信号的自动分类可以及时对患者的情况作出判断,在临床上有很重要的意义。为解决脑电信号采用单一特征识别率不高的问题,同时也为避免小波基函数的选取对分类结果的影响,本文提出了一种基于S变换和排列熵(PE)的癫痫脑电信号自动判别方法,首先将原始脑电信号进行离散S变换,再对变换后脑电信号各节律的系数分别求其波动指数,并与脑电信号的排列熵值共同组成特征向量送入Real Ada Boost分类器进行癫痫各时期的判别。本研究采用德国波恩大学癫痫研究中心数据库,对正常人清醒睁眼,癫痫患者发病间歇期致痫灶内及发作期3组脑电信号数据进行方法有效性检验。研究结果表明,各节律的波动指数可有效表征正常、癫痫发作间期和癫痫发作期脑电信号,且多种特征的识别率明显优于单一特征,平均识别率可达到98.13%,相比于仅提取时频特征或非线性特征,识别率分别提高了1.2%和8.1%以上,优于文献中报道的多种方法。因此,本方法在癫痫疾病的诊断方面有较好的应用前景。展开更多
文摘脑电图(EEG)分析对癫痫疾病的诊断具有重要的参考价值,对癫痫脑电信号的自动分类可以及时对患者的情况作出判断,在临床上有很重要的意义。为解决脑电信号采用单一特征识别率不高的问题,同时也为避免小波基函数的选取对分类结果的影响,本文提出了一种基于S变换和排列熵(PE)的癫痫脑电信号自动判别方法,首先将原始脑电信号进行离散S变换,再对变换后脑电信号各节律的系数分别求其波动指数,并与脑电信号的排列熵值共同组成特征向量送入Real Ada Boost分类器进行癫痫各时期的判别。本研究采用德国波恩大学癫痫研究中心数据库,对正常人清醒睁眼,癫痫患者发病间歇期致痫灶内及发作期3组脑电信号数据进行方法有效性检验。研究结果表明,各节律的波动指数可有效表征正常、癫痫发作间期和癫痫发作期脑电信号,且多种特征的识别率明显优于单一特征,平均识别率可达到98.13%,相比于仅提取时频特征或非线性特征,识别率分别提高了1.2%和8.1%以上,优于文献中报道的多种方法。因此,本方法在癫痫疾病的诊断方面有较好的应用前景。
