集成分类器对脑卒中患者脑电的分类

摘要：

脑卒中患者意识障碍的检查和检测耗时耗力且非连续,采集脑卒中患者的脑电信号,以研究有意识障碍与无意识障碍的脑卒中患者的自动分类.对脑卒中患者的脑电图提取多达9种定量脑电特征,构建脑网络,将这些脑网络的连通性特征输入到分类器中,实现对脑卒中患者是否有意识障碍的分类.为解决非平衡数据集分类时严重偏向多数类的问题,设计集成支持向量机分类器.实验结果显示基于现有分类器的脑卒中意识障碍的分类正确率在70％左右,敏感度在40％以下;而基于集成支持向量机分类器的分类准确性可达96.79％,同时敏感度和特异性分别为95.45％和100％.实验结果表明集成支持向量机分类器对非平衡数据集的脑电分类准确率显著提升,并促进脑卒中患者意识障碍的自动识别.

关键词：脑卒中;集成分类器;定量脑电图特征;脑网络;意识障碍;机器学习

所属期刊栏目：57

分类号：TP391(计算技术、计算机技术)

资助基金：山西省重点研发计划社会发展项目;吴阶平医学基金;山西省自然科学基金;山西省回国留学人员科研资助项目

在线出版日期：2021-12-22（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：276-282