赵建林
- 作品数：4 被引量：35H指数：3
- 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>>
- 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
- 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
- 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
- 癫痫脑电信号识别算法及其应用
- 脑电图(EEG)检测是一种脑部疾病临床诊断的有效方法，它可以向医生提供真实可靠的信息，以帮助医生确诊。癫痫是一种常见的脑部疾病，其发作具有突发性，为了得到发病时的脑电信号，往往需要对病人进行长期脑电观测。目前，通常需靠医...
- 赵建林
- 关键词：EEG小波分析经验模态分解支持向量机
- 文献传递
