基于经验模态分解和极限学习机的癫痫脑电提取分类研究
宋玉龙
赵冕
郑威
1.江苏科技大学电子信息学院,镇江,2120032.江苏科技大学电子信息学院,镇江,2120033.江苏科技大学电子信息学院,镇江,212003
摘要：癫痫疾病发作时,脑电(electroencephalogram,EEG)信号中含有大量的癫痫特征信息,癫痫EEG信号的提取识别和分类研究,对癫痫的预防和治疗具有重大的意义.我们采用经验模态分解(empirical mode decomposition,EMD)算法对发作期、发作间期的EEG进行分解,计算分解后的主要本征模态函数(intrinsic mode function,IMF)分量的波动指数、均值和样本熵值,并组成一组特征向量输入到极限学习机(extreme learning machine,ELM)内进行识别分类.实验结果表明,在需要较少训练样本下,ELM识别分类的准确率达到97％以上.
关键词：脑电信号经验模态分解本征模态函数分量样本熵特征向量极限学习机
分类号：R318(医用一般科学)TP391(计算技术、计算机技术)
资助基金：国家自然科学基金(61601206)江苏省自然科学基金(BK20160565)江苏省高等学校自然科学研究项目(15KJB310003)
论文发表日期：2019-01-01
在线出版日期：2026-09-11（本平台首次上网日期，不代表文献的发表时间）
页数：6( 263-268 )
英文信息