基于EEG去趋势波动分析和极限学习机的癫痫发作自动检测与分类识别

癫痫是一种常发的中枢神经失调疾病.基于脑电(EEG)的癫痫发作自动检测与准确识别在临床诊断和治疗上具有重要意义.本文首先采用经验模态分解(EMD)将被试者脑电信号分解成多个固有模态函数(IMF),然后计算低尺度IMF的去趋势波动指数、均值和标准差并组成特征向量,再由极限学习机(ELM)进行自动分类.经使用波恩大学和波士顿儿童医院的脑电数据集(含健康志愿者与癫痫患者)检测验证,结果表明本文所提出的自动检测与快速识别方法仅需较少训练样本即可达到较高的癫痫发作准确识别率(≥95%),具有较好临床应用价值.

基于脑电信号的睡眠分期算法研究

睡眠质量与人类健康息息相关,准确的睡眠质量监测对于帮助人们改善睡眠质量能够起到有效的监督作用。以MIT-BIH多导睡眠数据库slp01、slp02和slp04等3个样本的脑电信号为分析对象,采用sym7小波对其进行7层分解以去除高频细节信号,得到较为纯净的脑电信号。然后通过非线性符号动力学分析,去趋势波动分析以及频谱分析,分别提取符号熵指数,去趋势波动指数以及δ频带能量比等3个参数,对每个样本采用Kennard-Stone方法按照4∶1的比例建立校正集样本和预测集样本,并结合最小二乘支持向量机分类器进行样本训练拟合与分类识别。结果表明,3个特征参数与睡眠状态具有高度相关性,相关系数绝对值均高于0.83,并且确定了符号熵参数的嵌入维数为4,延迟常数为1,去趋势波动指数的分段区间为30~500,平均的睡眠分期正确率可达92.87%,比基于复杂度、近似熵等算法的分类正确率提高约5%。