多维融合脑电特征的脑卒中分类预测

为实现对脑卒中疾病的高效分类预测,提出一种基于多维融合脑电特征的脑卒中分类预测方法。提出基于优化经验模态分解的多重分形去趋势波动分析算法,采用Pearson相关系数优化经验模态分解实现对脑电信号趋势项的选取,以解决多重分形去趋势波动分析中趋势项确定难、不连续等问题。基于分层模糊熵提出不对称熵特征和不对称熵指数,分析两类脑卒中脑电信号整体和局部熵值的差异性。对多维融合脑电特征进行脑卒中分类预测,结果表明,提出的多维融合脑电特征分类预测性能优异,准确率达到94.90%,特异性达到99.89%,表现出较强的脑卒中分类预测性能。