首页 > 文献资料
-
癫痫脑电棘波的小波变换模极大值对检测方法
本文首次将小波变换模极大值对检测信号奇异点的理论应用于癫痫脑电信号,对棘波进行检测.采用二进样条小波对脑电信号按Mallat算法进行变换,分析含有奇异点的信号,即棘波,与其小波变换模极大值对的关系,对棘波进行识别.从临床8例癫痫患者取出754个棘波进行验证,正确识别率可达94.2%,并对两例正常脑电图无误检.
-
一种基于改进经验模态分解的癫痫脑电识别新方法
在临床癫痫诊断过程中,为了提高癫痫脑电的识别率,能在癫痫发作前期就预测到癫痫疾病,其特征波的提取至关重要.针对这一问题,提出将平行延拓与镜像延拓相结合来改进EMD算法.首先,使用平行延拓的方法,在原始脑电信号的左、右端点处分别预测出一个极值;然后,使用基于镜像延拓的EMD方法,对信号进行镜像延拓,以避免经验模态分解过程中的端点效应;后,采用支持向量机进行信号的分类识别.算法验证数据取自德国伯恩大学癫痫研究中心的脑电数据库,其中50例是正常脑电信号、50例是癫痫发作间期的脑电信号.实验研究表明:该方法对总测试脑电信号的识别率达到94%.其中,正常脑电信号和癫痫脑电信号的独立识别率均为94%,比传统EMD算法处理后的脑电识别率提高了5%,可见该方法可以有效地预测癫痫脑电.
关键词: 癫痫脑电 平行延拓 镜像延拓 经验模态分解(EMD) 支持向量机(SVM) -
一种基于时频分析的癫痫脑电棘波检测方法
脑电癫痫特征波的自动提取对于患者的诊断以及减轻医生的繁重劳动都具有重要的意义.本研究提出了一种基于时频分析的癫痫脑电棘波检测方法.首先通过矩阵的奇异值分解方法得到效果更佳的脑电信号(EEG)的时频分布图,然后利用时频分布的差异测度方法达到对棘波的检测目的.在对临床癫痫脑电信号的实验中,该方法取得了较好的结果.
-
腹型癫痫脑电图分析
腹型癫痫是间脑癫痫的一种特殊类型,常在儿童及青少年起病,往往不能及时确诊和治疗,其脑电图有一定改变,可作为诊治参考,现将我院30例确诊腹型癫痫患儿的脑电图分析如下:
-
28例热性惊厥与癫痫脑电图分析
热性惊厥是婴幼儿时期常见的惊厥原因,反复发作将对小儿的脑功能产生一定影响,部分可移行为癫痫.现将我院1997年1月~1998年8月诊治的28例热性惊厥患儿的临床与EEG进行分析,探讨热性惊厥与癫痫的关系.
-
164例癫痫脑电图分析
癫痫病人的脑电图常有许多特征性表现.脑电图检查对癫痫病人的确诊很有价值.笔者对本院2000~2001年脑电图检查中出现痫样放电的164例进行了统计分析,报告如下.
-
儿童腹型癫痫脑电图分析
腹型癫痫是以反复发作性腹痛为主要特征的一类癫痫,多见于儿童.笔者现对本院1995~2001年诊治的20例腹型癫痫患儿脑电图(EEG)作一分析,报告如下.
-
基于TQWT的癫痫脑电信号的识别
针对癫痫脑电(EEG)信号的识别问题,提出了一种基于可调品质因子小波变换(TQWT)的脑电特征提取方法.首先,利用TQWT将EEG信号进行分解,得到各个小波子波带;然后,根据癫痫异常波对应的频率范围,合理的选择小波子波带进行重构,提取有效值和峰峰值构成特征分量;后,采用支持向量机进行分类.将所提出方法应用于癫痫脑电信号的识别中,以德国伯恩大学癫痫研究中心采集的典型脑电数据进行验证.实验分析结果表明,所提出的特征提取方法对正常和癫痫发作期EEG信号的分类准确率可达98%.
关键词: 癫痫脑电 可调品质因子小波变换 支持向量机 特征提取 分类 -
癫痫脑电信号的奇异性研究
基于小波变换模极大值在多尺度上的变化,研究了癫痫脑电的奇异性,并用Lipschitz指数来表征.提出了一种高阶统计的方法来研究癫痫脑电的高阶奇异谱特征,并和健康脑电进行比较.实验结果表明,癫痫脑电的Lipschitz指数和高阶奇异谱与健康脑电相比存在明显的差异,说明该方法对研究脑电是有效的.
关键词: 癫痫脑电 小波变换 Lipschitz指数 高阶奇异谱 -
基于小波多尺度分析和极限学习机的癫痫脑电分类算法
癫痫脑电的自动分类对于癫痫的诊断和治疗具有重要意义.本文提出了一种基于小波多尺度分析和极限学习机的癫痫脑电分类方法.首先,利用小波多尺度分析对原始脑电信号进行多尺度分解,提取出不同频段的脑电信号.然后采用Hurst指数和样本熵两种非线性方法对原始脑电信号和小波多尺度分解得到的不同频段脑电信号进行特征提取.后,将得到的特征向量输入到极限学习机中,实现癫痫脑电分类的目的.本文采用的方法在区分癫痫发作期和发作间期时取得了99.5%的分类准确率.结果表明,本方法在癫痫的诊断和治疗中具有很好的应用前景.
-
基于小波包和多元多尺度熵的癫痫脑电信号分类方法
本文提出一种基于小波包及多元多尺度熵的癫痫脑电(EEG)信号分类方法.首先应用小波包变换对原始EEG信号进行多尺度分解,并提取所需频段的小波包系数用以表示原始EEG信号;然后对选取的不同频段的小波包系数进行多元多尺度熵分析;后用支持向量机(SVM)对EEG数据进行分类.针对波恩大学癫痫病中心公开EEG数据实验结果表明,该方法能够有效提取癫痫EEG特征,具有很好的分类效果.