基于SVM分类器的癫痫脑电时空特征提取方法的研究

摘要：

癫痫发作具有突发性和反复性,给患者的生命安全带来巨大隐患.为了给患者提供有效的预警,结合时间和空间两个维度,选取模糊熵和皮尔逊相关性作为特征参数,分别衡量时序信号复杂度和空间通道间的相关性;利用F-score筛选出最优特征组合,既增加了预测的准确率又去除冗余信息;利用支持向量机(support vector machine,SVM)分类器识别癫痫发作前期和发作间期的颅内脑电信号.为验证该特征的预测效果,进行了模糊熵或皮尔逊相关性单独作为特征参数的对比试验.实验结果表明,与单一特征相比,时空特征的预测效果更好,准确率高达91.26％,误报率仅为2.32％.该方法能有效提取癫痫特征信息,为癫痫的临床预警提供新思路.

关键词：癫痫、颅内脑电(EEG)、时空特征、模糊熵、皮尔逊相关、支持向量机(SVM)

所属期刊栏目：34

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;厅市共建中枢神经系统药物四川省重点实验室开放课题

在线出版日期：2022-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：444-450