基于小波系数特征融合的小鼠癫痫脑电分类

摘要：

采集癫痫小鼠模型在常态与致癫状态下的脑电信号以研究其癫痫脑电的自动分类.对经过噪声和伪迹消除预处理的脑电信号进行小波变换,获得不同频率子带的小波系数,对脑电信号及与癫痫特征波相关的小波系数提取相应的线性特征(标准差)和非线性特征(样本熵);基于这些特征及其组合使用支持向量机分类器实现分类.实验发现基于小鼠脑电本身的标准差和样本熵的分类正确率分别为59.10%和58.00% ;而融合各相关小波系数的标准差或样本熵,分类正确率分别达到86.60%和88.60% ;融合全部相关小波系数的线性和非线性特征后分类正确率为99.80%.这些结果说明基于小波系数特征融合的分类算法性能有显著提升,能有效实现小鼠癫痫脑电的自动分类.

关键词：癫痫小鼠模型、小波变换、特征融合、支持向量机

所属期刊栏目：55

分类号：R318(医用一般科学)

资助基金：国家自然科学基金61271154;广州市高校创新创业教育项目201709k28;广州市科技计划项目201804010282

在线出版日期：2019-08-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：155-161