文献类型：期刊文章

作　　者：秦喜文[1,2] 吕思奇[1] 李巧玲[1]

Qin Xiwen;Lv Siqi;Li Qiaoling(Graduate School,Changehun University of Technology,Changehun 130012,China;School of Basic Sciences,Changchun Universtty of Technology,Changchun 130012,China)

机构地区：[1]长春工业大学研究生院,长春130012 [2]长春工业大学基础科学学院,长春130012

出　　处：《中国生物医学工程学报》

基　　金：国家自然科学基金(11301036;11226335;11571051);吉林省教育厅科研项目(JJKH20170540KJ)

年　　份：2018

卷　　号：37

期　　号：6

起止页码：665-672

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2017_2018、EMBASE、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60%,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。

关 键 词：脑电信号 整体经验模态分解  随机森林  特征识别分类  

分 类 号：R318[生物医学工程类]