期刊文献+

基于脑电信号的耳鸣识别算法研究

下载PDF
导出
摘要 目的 :研究耳鸣患者的脑电信号特征,利用生物信号处理的方法对耳鸣患者的脑电信号与正常人脑电信号进行分类识别,为临床诊断耳鸣疾病提供一种辅助手段。方法 :首先,利用小波变换消噪算法在Matlab 7.0平台上对颞叶区静息态脑电信号进行预处理;然后对脑电信号进行EMD分解,提取对应IMF分量的能量作为特征值;最后采用SVM分类算法对患者与正常被试者的脑电信号进行分类识别。结果 :利用19例静息态脑电信号对算法进行验证,其中有11例正常被试者的脑电信号被识别出来,3例患者的脑电信号被识别出来,总识别率达到73.68%。结论 :颞叶区静息态脑电信号与耳鸣疾患之间有一定的关联性,可以依据脑电信号来识别耳鸣疾病,对临床诊断具有一定的辅助作用。
出处 《科技传播》 2018年第13期105-107,共3页 Public Communication of Science & Technology
  • 相关文献

参考文献7

二级参考文献110

  • 1余力生,王洪田.耳鸣概述[J].听力学及言语疾病杂志,2004,12(6):368-370. 被引量:61
  • 2David Jiang.耳鸣及其美国的诊治指导方案[J].中国听力语言康复科学杂志,2005,34(1):58-61. 被引量:69
  • 3黄丽琴,赵智翔,杨桦,林益芳.耳鸣焦虑心理分析[J].中国耳鼻咽喉头颈外科,2004,11(6):386-386. 被引量:10
  • 4王兴元,骆超,邱天爽.HAI实验中EEG信号的非线性动力学研究[J].中国生物医学工程学报,2005,24(4):408-415. 被引量:8
  • 5GREWAL S, GOTMAN J. An automatic warning system for epileptie seizures recorded on intraeerebral EEGs[J]. Clinical Neurophysiology, 2005,116 : 2460 - 2472.
  • 6NELLO C, JOHN S T. An introduction to support vector machines and other kernel-based learning methods [M].北京:机械工业出版社,2005:158-172.
  • 7YEO M V M, LI X, SHEN K, et al. Can SVM be used for automatic EEG detection of drowsiness during car driving? [J]. Safety Science,2009, 47(1) :115-124.
  • 8KHAN Y U, GOTMAN J. Wavelet based automatic seizure detection in intraeerebral electroencephalogram [J]. Clinical Neurophysiology,2003,114(5) :898-908.
  • 9SAAB M E, GOTMAN J. A system to detect the onset of epileptic seizures in scalp EEG[J]. Clinical Neurophysiology, 2005,116(2) :427-442.
  • 10Mazoyer B, Zago L, Mellet E, et al. Cortical networks for working memory and executive functions sustain the conscious resting state in man. Brain Res Bull, 2001, 54: 287-298.

共引文献62

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部