蔡冬梅
- 作品数：8 被引量：88H指数：5
- 供职机构：山东大学信息科学与工程学院更多>>
- 发文基金：山东大学自主创新基金山东省自然科学基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术医药卫生电子电信更多>>
- EMD和SVM结合的脑电信号分类方法被引量：11
- 2011年
- 脑电(EEG)癫痫波的自动检测与分类在临床医学上具有重要意义。针对EEG信号的非平稳特点,本文提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的EEG分类方法。首先利用EMD将EEG信号分成多个经验模式分量,然后提取有效特征,最后用SVM对EEG信号进行分类。结果表明,该方法对癫痫发作间歇期和发作期EEG的分类效果比较理想,识别率达到99%。
- 李淑芳周卫东蔡冬梅刘凯赵建林
- 关键词：经验模式分解支持向量机
- 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
- 基于非线性特征的癫痫脑电信号识别算法
- 癫痫是一种常见的慢性神经疾病，以大量神经元的异常猝发性过度同步放电为特征，是神经科仅次于脑血管病的第二大顽症，侵袭大约人口的1％。到目前为止，在癫痫的诊断中，脑电图(EEG)检查是最重要的、最有价值和最方便的手段之一，对...
- 蔡冬梅
- 关键词：癫痫支持向量机HURST指数
- 基于SVM和小波分析的脑电信号分类方法被引量：15
- 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
- 基于去趋势波动分析和支持向量机的癫痫脑电分类被引量：5
- 2011年
- 癫痫脑电的自动检测与分类对于癫痫患者的诊断治疗具有重要意义。本文提出了一种基于去趋势波动分析（detrended fluctuation analysis,DFA）、波动指数和支持向量机（support vectormachine,SVM）的癫痫脑电分类方法。首先采用DFA方法计算脑电的标度指数,然后对脑电进行4-8 Hz、8-13 Hz、13-30 Hz带通滤波并分别计算波动指数,最后使用SVM分类器实现癫痫脑电波的自动分类。对临床脑电信号的实验表明,该方法具有较强的检测性能,分类准确率达到97%。
- 蔡冬梅周卫东李淑芳王纪文贾桂娟刘学伍
- 关键词：脑电图支持向量机
- 基于脑电棘波频次的癫痫发作预测算法被引量：2
- 2011年
- 癫痫发作预测是近年来在神经科学领域中备受关注的课题。预测癫痫发作可以使医护人员或患者提前采取有效措施来预防和控制癫痫发作,在临床上具有重要意义。棘波是最基本的阵发性异常脑电活动,在分析和统计癫痫发作前期和发作期棘波频次不同表现的基础上,首次提出一种基于脑电棘波频次的癫痫预测算法。对脑电进行滤波以去掉高频干扰后,采用形态学滤波器检测脑电棘波数目,并计算各段脑电中棘波出现的频次,最后根据棘波频次的变化预测癫痫的发作。采用本算法对21例癫痫患者长程颅内脑电进行癫痫预测,准确率达到74.7%,每小时错误预测次数仅为0.111次。结果表明,所提出算法能够有效地预测癫痫发作。
- 李淑芳周卫东袁琦蔡冬梅
- 关键词：形态学滤波器
- 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
