山东省自然科学基金(Y2007G31)
- 作品数：5 被引量：82H指数：5
- 相关作者：周卫东蔡冬梅刘凯李淑芳赵建林更多>>
- 相关机构：山东大学河南商业高等专科学校济南大学更多>>
- 发文基金：山东省自然科学基金国家自然科学基金山东大学自主创新基金更多>>
- 相关领域：医药卫生自动化与计算机技术更多>>
- 基于非线性预测效果的癫痫脑电信号的特征提取方法被引量：12
- 2010年
- 在非线性时间序列预测研究的基础上,提出了基于非线性预测效果的癫痫脑电信号特征提取方法,从脑电信号中自动检测出癫痫脑电信号.采用基于可预测性的选取嵌入维数的方法确定脑电信号序列的嵌入维数,进行相空间重构.实验结果表明:基于非线性预测效果的特征提取方法提取的特征能明显地区分癫痫脑电信号与正常脑电信号,该非线性特征提取方法适合小数据量的情况且对噪声的稳定性好.
- 孟庆芳周卫东陈月辉彭玉华
- 关键词：脑电信号癫痫特征提取
- 基于SVM和小波分析的脑电信号分类方法被引量：14
- 2011年
- 根据癫痫脑电信号与正常脑电信号波形和能量特征的不同,研究了两种的脑电信号分类方法,一种采用支持向量机SVM(Support Vector Machines)分类器对正常脑电和癫痫脑电进行分类;另一种使用小波分析和支持向量机相结合的方法对脑电进行分类,并比较了这两种方法对正常脑电和癫痫脑电分类的正确率。实验结果表明,小波分析和SVM结合的方法对脑电信号分类可以取得更好的效果,能有效区分癫痫脑电和正常脑电。
- 赵建林周卫东刘凯蔡冬梅
- 关键词：支持向量机小波分析脑电
- 基于Hurst指数和SVM的癫痫脑电检测方法被引量：13
- 2010年
- 癫痫脑电波的自动检测对于患者诊断和减轻医生工作强度都具有重要的意义。提出一种基于Hurst指数和SVM的癫痫脑电检测算法。首先提取脑电信号的Hurst指数,然后对脑电进行3 Hz～8.5 Hz、8.5 Hz～16.5 Hz、16.5 Hz～29 Hz带通滤波并分别计算波幅的相对均值,最后使用SVM分类器实现癫痫脑电波的自动检测。对临床脑电信号的实验表明,该方法具有较强的检测性能和良好的实时性,准确率达到98.75%。所提出的Hurst指数和波幅相对均值作为特征,采用SVM的分类方法能有效实现癫痫脑电的检测,值得更深入的研究。
- 蔡冬梅周卫东刘凯李淑芳耿淑娟
- 关键词：脑电信号HURST指数SVM
- 基于ELM和近似熵的脑电信号检测方法被引量：36
- 2012年
- 脑电癫痫波的自动检测与分类对癫痫病情的诊断具有重要意义。提出了一种基于极端学习机(extreme learning ma-chine,ELM)和近似熵的脑电信号检测方法。首先,计算脑电信号的近似熵作为非线性特征,并与利用小波变换技术提取的线性特征波动指数相结合,组成特征向量,然后将特征向量送入单隐层前馈神经网络,采用ELM学习算法训练网络。实验表明,与BP(backpropagation)和SVM(support vector machine)算法相比,ELM在训练时间和识别精度两方面性能最佳,对用于实验的脑电数据检测识别率达到98%以上。
- 袁琦周卫东李淑芳蔡冬梅
- 关键词：癫痫脑电近似熵极端学习机反向传播算法
- SVM和小波分析方法在脑电分类中的应用被引量：10
- 2011年
- 根据癫痫发作前后脑电(EEG)波形、能量、频率特征的不同,本文研究了两种小波分析和支持向量机(SVM)结合的脑电分类方法。一种直接利用EEG的波形特征对癫痫发作间歇期脑电和癫痫脑电进行分类,另一种采用EEG信号的波动指数和变化系数为特征进行分类;并比较了这两种方法分类的正确率。实验结果表明,两种方法均能有效区分间歇期脑电和癫痫脑电,以波动指数和变化系数为特征的方法具有更好的分类效果。
- 赵建林周卫东刘凯蔡冬梅
- 关键词：支持向量机小波分析脑电癫痫
