CN113598792B - 基于有监督特征融合算法的癫痫脑电分类方法 - Google Patents
基于有监督特征融合算法的癫痫脑电分类方法 Download PDFInfo
- Publication number
- CN113598792B CN113598792B CN202110890952.5A CN202110890952A CN113598792B CN 113598792 B CN113598792 B CN 113598792B CN 202110890952 A CN202110890952 A CN 202110890952A CN 113598792 B CN113598792 B CN 113598792B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- fusion
- frequency
- formula
- fragment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 230000001037 epileptic effect Effects 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 239000012634 fragment Substances 0.000 claims abstract description 16
- 238000010219 correlation analysis Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 12
- 230000035945 sensitivity Effects 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims abstract description 3
- 230000000694 effects Effects 0.000 claims description 16
- 229910018503 SF6 Inorganic materials 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 claims description 9
- 229960000909 sulfur hexafluoride Drugs 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012843 least square support vector machine Methods 0.000 claims description 5
- 230000033764 rhythmic process Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000021615 conjugation Effects 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 206010010904 Convulsion Diseases 0.000 description 28
- 230000006870 function Effects 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 206010015037 epilepsy Diseases 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于有监督特征融合算法的癫痫脑电分类方法。本发明首先从脑电片段中提取功率谱密度和频率切片小波变换的波动指数作为特征。接下来，利用监督的局部保持典型相关分析算法，通过最大化类中成对样本与其邻居之间的权重相关性来获得最佳投影方向，而原始特征在最佳投影方向上的投影组合就是融合特征。然后将融合特征输入到最小二乘支持向量机进行训练和测试。该方法在波恩数据集和CHB‑MIT数据集上得到了验证，得到了很好的结果。此外，还讨论了监督的局部保持典型相关分析算法的参数灵敏度以及融合特征的维数与分类结果的关系，进一步验证了该方法的稳定性和有效性。
Description
技术领域
本发明属于生物信号处理领域，涉及一种基于有监督特征融合算法的癫痫脑电分类方法。
背景技术
癫痫是一种突发性强、易复发、不自主的脑部疾病。根据世界卫生组织的统计，全世界有近5000万人患有癫痫。目前，癫痫的临床诊断主要依靠病史资料和脑部检查，如经验丰富的医生对长时间脑电图的目视检查。然而，这种方法耗时且结果主观。为了解决这一难题，研究者们提出了大量的方法，通过信号处理和机器学习方法来识别癫痫脑电信号。这些方法可以减轻医生的负担，提高诊断的准确性。
由于癫痫脑电信号具有明显的非线性和非平稳性，研究人员利用多通道、高采样率的脑电信号采集设备获取受试者的脑电信号。通过这种方式，可以确保获得最高的空间和时间分辨率。然而，这种方法直接导致多通道脑电信号的特征维数过高。一方面，过高维数的特征造成信息冗余和噪声，给准确识别带来干扰。另一方面，过高维数的特征使信号处理时间延长，且诊断效率降低。
针对多通道脑电信号特征提取中可能出现的维数灾难，研究者们提出了多种特征降维算法。虽然已经有许多针对单个特征的降维算法，但是这些算法没有很好地考虑特征之间的关系。它可能导致不同特征之间的冗余信息，从而增加不必要的特征维数。针对以上问题，提出一种基于有监督特征融合算法的癫痫脑电分类方法，利用监督的局部保持典型相关分析算法进行特征融合，生成结合原始特征信息但维数更低的融合特征，再用融合特征训练和测试最小二乘支持向量机，来进行癫痫脑电的分类。
发明内容
本发明为了降低癫痫脑电特征维数、减少特征间的信息冗余，利用脑电的功率谱密度和频率切片小波变换的波动指数特征进行特征融合，提出了一种基于有监督特征融合算法的癫痫脑电分类方法。首先从脑电片段中提取功率谱密度和频率切片小波变换的波动指数作为特征。接下来，利用监督的局部保持典型相关分析算法，通过最大化类内成对样本与其邻居之间的权重相关性来获得最佳投影方向，而原始特征在最佳投影方向上的投影组合就是融合特征。然后将融合特征输入到最小二乘支持向量机进行训练和测试。该方法在波恩数据集和CHB-MIT数据集上得到了验证，得到了很好的结果。此外，还讨论了监督的局部保持典型相关分析算法的参数灵敏度以及融合特征的维数与分类结果的关系，进一步验证了该方法的稳定性和有效性。
为了实现以上目的，本发明提供了一种基于有监督特征融合算法的癫痫脑电分类方法，本发明方法主要包括以下步骤：
步骤一，从脑电片段中提取δ、θ、α、β和γ节律上的功率谱密度和频率切片小波变换的波动指数作为特征；
脑电片段f(t)的功率谱密度计算方式如式(1)所示：
其中，P(ω)为频率ω处的功率谱密度，E表示期望，′*′表示共轭，τ为时间延迟：
脑电片段f(t)的频率切片小波变换如式(2)所示：
其中，Wf(t，ω，k)是f(t)的频率切片小波变换形式，是f的傅里叶变换形式。/>是是母小波函数的傅里叶变换，即频率切片函数，常用的频率切片函数为/>其中k是时频分析系数，可由/>得到，Δωp是频窗/>的宽度，ηs是脑电片段f(t)的频率分辨率。脑电片段f(t)在时频域(t1，t2，ω1，ω2)上的分量可由式(3)得到
每个节律的波动指数可由式(4)得到
其中，n是脑电片段的长度，ft和ft+1是相邻时刻的信号。
步骤二，利用监督的局部保持典型相关分析算法，通过最大化类中成对样本与其邻居之间的权重相关性来获得最佳投影方向，并将原始特征在最佳投影方向上的投影组合成融合特征，具体包括以下子步骤：
1、将频率切片小波变换的功率谱密度和波动指数的特征集记为X和Y，并构建X和Y的类内k近邻矩阵SFX和SFY。SFX的构建方式如(5)式所示：
其中，xi和xj分别是X内的第i个样本和第j个样本，SFX(i，j)为xi和xj间的相关性，SNX(xi)和SNX(xj)分别是xi和xj的类内近邻集合，t_x为X中所有样本之间距离的平均值。SFY的构造方式与SFX的构造方式相同；
2、建立准则函数ρ，建立方式如式(6)所示：
其中，和/>分别是由SFX和SFY的列元素组成的对角矩阵；
3、若令 则式(6)准则函数的解相当于优化问题的解，如式(7)：
4、利用拉格朗日法可解得α和β，并得特征集的投影X*＝αTX和Y*＝βTY；
5、将X*和Y*组合成融合特征
步骤三，将融合特征输入最小二乘支持向量机进行训练和测试；
步骤四，将该方法在波恩数据集和CHB-MIT数据集上进行验证，为了评价分类器的效果，将准确度、敏感性和特异性作为评价指标；
步骤五，分析监督的局部保持典型相关分析算法的参数灵敏度，改变近邻矩阵SFX和SFY的k值，以分类准确率为依据，判断该方法的稳定性；
步骤六，分析融合特征的维数与方法效果的关系，利用拉格朗日法求解式
(7)所示优化问题时，改变求得的α和β的维数，从而改变融合特征的维数，以分类准确率为依据，判断该方法的有效性。
本发明与已有的诸多癫痫脑电分类方法相比，具有如下特点：在脑电特征的处理上，基于信息融合理论中特征融合的思想，利用监督的局部保持典型相关分析算法将原始特征融合为一个融合特征，代替普通的特征串联方法，不仅减少了特征维数，降低了多通道串联脑电特征发生维数爆炸的风险，而且降低了特征间的信息冗余，帮助提高分类准确率。并且对算法的参数灵敏度进行分析，发生算法对参数的变化并不敏感，比较稳定。还对融合特征的维数与方法效果的关系进行分析，得到该方法能以较低维数的特征实现高分类准确率。这些特点为辅助癫痫患者的治疗提供了理论依据。
附图说明
图1(a)所示为波恩数据集上正常脑电与发作期癫痫脑电分类任务，本发明与其它方法分类效果比较；
图1(b)所示为波恩数据集上发作间期癫痫脑电与发作期癫痫脑电分类任务，本发明与其它方法分类效果比较；
图1(c)所示为波恩数据集上非发作期癫痫脑电与发作期癫痫脑电分类任务，本发明与其它方法分类效果比较；
图1(d)所示为波恩数据集上正常脑电、发作间期癫痫脑电与发作期癫痫脑电分类任务，本发明与其它方法分类效果比较；
图1(e)所示为CHB-MIT数据集上发作间期癫痫脑电与发作期癫痫脑电分类任务，本发明与其它方法分类效果比较；
图2所示为以波恩数据集上正常脑电、发作间期癫痫脑电与发作期癫痫脑电分类任务的分类效果为评价指标，本发明的参数灵敏度分析；
图3所示为以CHB-MIT数据集上发作间期癫痫脑电与发作期癫痫脑电分类任务的分类效果为评价指标，本发明的融合特征维数和方法效果的关系与其它方法比较。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。
本实施例包括如下步骤：
基于有监督特征融合算法的癫痫脑电分类方法，其具体实施方式包括如下步骤：
步骤一，从脑电片段中提取δ、θ、α、β和γ节律上的功率谱密度和频率切片小波变换的波动指数作为特征。
在波恩数据集中，数据均为单通道脑电，因此从一个脑电片段提取出5维的功率谱密度特征和5维的波动指数特征，组成的串联特征为10维；在CHB-MIT数据集中，数据为23通道脑电，因此从一个脑电片段中提取出115维的功率谱密度特征和115维的波动指数特征，组成的串联特征为230维。
步骤二，利用监督的局部保持典型相关分析算法，通过最大化类中成对样本与其邻居之间的权重相关性来获得最佳投影方向，并将原始特征在最佳投影方向上的投影组合成融合特征。
构建类内k近邻矩阵时，k取该类样本数量的50％。在波恩数据集中，产生8维的融合特征；在CHB-MIT数据集中，产生50维到60维的融合特征。在两个数据集中，融合特征的维数都比串联特征的维数低。由于CHB-MIT数据集中的数据是多通道脑电，因此降维效果尤为明显。
步骤三，将融合特征输入最小二乘支持向量机进行训练和测试。
融合特征的维数比串联特征的维数更低，因此最小二乘支持向量机的参数寻优、分类器训练以及测试的时间都有所减少。
步骤四，将该方法在波恩数据集和CHB-MIT数据集上进行验证，为了评价分类器的效果，将准确度、敏感性和特异性作为评价指标。
波恩数据集包含5个A-E子集。子集A和B分别取自5名健康志愿者睁眼和闭眼时的头皮表面，子集C和D分别取自5名癫痫患者癫痫发作间期的病变区域外和病变区域内，子集E取自上述5名癫痫患者癫痫发作时期。将每个子集的70％的数据作为训练集，剩余30％的数据作为测试集。为考虑更广泛的实际临床情况，如多种类型脑电信号的分类和样本数不均匀下的分类，使用波恩数据集的5个子集组成11个分类组。它们包括A vs E、B vs E、C vsE、D vs E、AB vs E、AC vs E、AD vs E、ABC vs E、ABCD vs E、A vs C vs E和AB vs CD vs E。这11个分类组可分为4个分类任务：正常脑电与发作期癫痫脑电分类任务，结果如图1(a)；发作间期癫痫脑电与发作期癫痫脑电分类任务，结果如图1(b)；非发作期癫痫脑电与发作期癫痫脑电分类任务，结果如图1(c)；正常脑电、发作间期癫痫脑电与发作期癫痫脑电分类任务，结果如图1(d)。其中本发明的结果均加粗。
CHB-MIT数据集由24名3至4岁22岁癫痫患者的多通道脑电图信号组成，其23个脑电图通道及其电极位置和命名采用国际10-20系统。使用窗口长度为4秒、步长为2秒的滑动窗口从连续脑电图信号中提取发作间段和发作段。将70％的数据作为训练集，剩余30％的数据作为测试集，进行发作间期癫痫脑电与发作期癫痫脑电的分类，结果如图1(e)所示，其中本发明的结果加粗。
步骤五，分析监督的局部保持典型相关分析算法的参数灵敏度，改变近邻矩阵SFX和SFY的k值，以分类准确率为依据，判断该方法的稳定性。
对类内k近邻矩阵的k从15％到93％以1％为步长进行遍历，记录每个k值下波恩数据集上AB vs CD vs E分类任务的准确率，结果如图2所示。通过分析可以发现，本发明的方法对参数的敏感性不高，比较稳定。
步骤六，分析融合特征的维数与方法效果的关系，利用拉格朗日法求解式
(7)所示优化问题时，改变求得的α和β的维数，从而改变融合特征的维数，以分类准确率为依据，判断该方法的有效性。
对α和β的维数从2到230进行变化，也就是使融合特征维数从2到230变化，记录每个特征维数下的CHB-MIT数据集上的分类准确率，结果如图3所示。可以发现与其他方法相比，本发明的方法在实现较大幅度降维的同时，能够保持较高的准确率。
Claims (1)
1.基于有监督特征融合算法的癫痫脑电分类方法，其特征在于，将监督的局部保持典型相关分析作为特征融合算法，并用融合算法产生的融合特征代替传统的串联特征，来进行癫痫脑电的分类，该方法具体包括以下步骤：
步骤一，从脑电片段中提取δ、θ、α、β和γ节律上的功率谱密度和频率切片小波变换的波动指数作为特征；
脑电片段f(t)的功率谱密度计算方式如式(1)所示：
其中，P(ω)为频率ω处的功率谱密度，E表示期望，′*′表示共轭，τ为时间延迟；
脑电片段f(t)的频率切片小波变换如式(2)所示：
其中，Wf(t，ω，k)是f(t)的频率切片小波变换形式，是f的傅里叶变换形式，/>是母小波函数的傅里叶变换，即频率切片函数，常用的频率切片函数为/>k是时频分析系数，可由/>得到，Δωp是频窗/>的宽度，ηs是脑电片段f(t)的频率分辨率；脑电片段f(t)在时频域(t1，t2，ω1，ω2)上的分量可由式(3)得到
每个节律的波动指数可由式(4)得到
其中，n是脑电片段的长度，ft和ft+1是相邻时刻的信号；
步骤二，利用监督的局部保持典型相关分析算法，通过最大化类中成对样本与其邻居之间的权重相关性来获得最佳投影方向，并将原始特征在最佳投影方向上的投影组合成融合特征，具体包括以下子步骤：
1、将频率切片小波变换的功率谱密度和波动指数的特征集记为X和Y，并构建X和Y的类内k近邻矩阵SFX和SFY；
SFX的构建方式如(5)式所示：
其中，xi和xj分别是X内的第i个样本和第j个样本，SFX(i，j)为xi和xj间的相关性，SNX(xi)和SNX(xj)分别是xi和xj的类内近邻集合，t_x为X中所有样本之间距离的平均值；SFY的构造方式与SFX的构造方式相同；
2、建立准则函数ρ，建立方式如式(6)所示：
其中，和/>分别是由SFX和SFY的列元素组成的对角矩阵；
3、令 则式(6)准则函数的解相当于优化问题的解，如式(7)：
4、利用拉格朗日法可解得α和β，并得特征集的投影X*＝αTX和Y*＝βTY；
5、将X*和Y*组合成融合特征
步骤三，将融合特征输入最小二乘支持向量机进行训练和测试；
步骤四，将该方法在波恩数据集和CHB-MIT数据集上进行验证，将准确度、敏感性和特异性作为评价指标，评价分类器的效果；
步骤五，分析监督的局部保持典型相关分析算法的参数灵敏度，改变近邻矩阵SFX和SFY的k值，以分类准确率为依据，判断该方法的稳定性；
步骤六，分析融合特征的维数与本方法效果的关系，利用拉格朗日法求解式(7)所示优化问题时，改变求得的α和β的维数，从而改变融合特征的维数，以分类准确率为依据，判断该方法的有效性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110890952.5A CN113598792B (zh) | 2021-08-04 | 2021-08-04 | 基于有监督特征融合算法的癫痫脑电分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110890952.5A CN113598792B (zh) | 2021-08-04 | 2021-08-04 | 基于有监督特征融合算法的癫痫脑电分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113598792A CN113598792A (zh) | 2021-11-05 |
| CN113598792B true CN113598792B (zh) | 2024-01-30 |
Family
ID=78306805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110890952.5A Active CN113598792B (zh) | 2021-08-04 | 2021-08-04 | 基于有监督特征融合算法的癫痫脑电分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113598792B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116712090A (zh) * | 2023-08-10 | 2023-09-08 | 同心智医科技(北京)有限公司 | 癫痫脑电信号自动检测和分类模型建立方法及应用 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104720797A (zh) * | 2015-03-20 | 2015-06-24 | 合肥工业大学 | 一种基于单通道的脑电信号中肌电噪声消除方法 |
| CN109497997A (zh) * | 2018-12-10 | 2019-03-22 | 杭州妞诺科技有限公司 | 基于多数据采集的癫痫发作检测设备及预警系统 |
| CN109875552A (zh) * | 2019-02-01 | 2019-06-14 | 五邑大学 | 一种疲劳检测方法、装置及其存储介质 |
-
2021
- 2021-08-04 CN CN202110890952.5A patent/CN113598792B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104720797A (zh) * | 2015-03-20 | 2015-06-24 | 合肥工业大学 | 一种基于单通道的脑电信号中肌电噪声消除方法 |
| CN109497997A (zh) * | 2018-12-10 | 2019-03-22 | 杭州妞诺科技有限公司 | 基于多数据采集的癫痫发作检测设备及预警系统 |
| CN109875552A (zh) * | 2019-02-01 | 2019-06-14 | 五邑大学 | 一种疲劳检测方法、装置及其存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113598792A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| George et al. | Classification of epileptic EEG signals using PSO based artificial neural network and tunable-Q wavelet transform | |
| CN110693493B (zh) | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测特征提取方法 | |
| CN110876626B (zh) | 基于多导联脑电最优导联选择的抑郁检测系统 | |
| Subasi et al. | EEG signal classification using PCA, ICA, LDA and support vector machines | |
| Rasekhi et al. | Preprocessing effects of 22 linear univariate features on the performance of seizure prediction methods | |
| CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
| Sairamya et al. | A new approach for automatic detection of focal EEG signals using wavelet packet decomposition and quad binary pattern method | |
| CN111449644A (zh) | 一种基于时频变换和数据增强技术的生物电信号分类方法 | |
| Pisano et al. | Convolutional neural network for seizure detection of nocturnal frontal lobe epilepsy | |
| CN114366124B (zh) | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 | |
| CN112190261A (zh) | 一种基于静息态脑网络的孤独症脑电信号的分类装置 | |
| Yuan et al. | Kernel collaborative representation-based automatic seizure detection in intracranial EEG | |
| WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
| Chen et al. | Two-dimensional phase lag index image representation of electroencephalography for automated recognition of driver fatigue using convolutional neural network | |
| Uyttenhove et al. | Interpretable epilepsy detection in routine, interictal eeg data using deep learning | |
| Chashmi et al. | An efficient and automatic ECG arrhythmia diagnosis system using DWT and HOS features and entropy-based feature selection procedure | |
| Miranda et al. | Classification of EEG signals using genetic programming for feature construction | |
| Abbaszadeh et al. | Probabilistic prediction of Epileptic Seizures using SVM | |
| CN113598792B (zh) | 基于有监督特征融合算法的癫痫脑电分类方法 | |
| Chavan et al. | Effective epileptic seizure detection by classifying focal and non-focal EEG signals using human learning optimization-based hidden Markov model | |
| Jiang et al. | An epileptic seizure prediction model based on a time-wise attention simulation module and a pretrained ResNet | |
| TaghiBeyglou et al. | ADHD diagnosis in children using common spatial pattern and nonlinear analysis of filter banked EEG | |
| Jibon et al. | Epileptic seizure detection from electroencephalogram (EEG) signals using linear graph convolutional network and DenseNet based hybrid framework | |
| Li et al. | Classification of Mild Cognitive Impairment from multi-domain features of resting-state EEG | |
| EP3745947B1 (en) | Method for detecting a conversion from mild cognitive impairment to alzheimer disease |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |