典型文献
基于SVM分类器的癫痫脑电时空特征提取方法的研究
文献摘要：
癫痫发作具有突发性和反复性,给患者的生命安全带来巨大隐患.为了给患者提供有效的预警,结合时间和空间两个维度,选取模糊熵和皮尔逊相关性作为特征参数,分别衡量时序信号复杂度和空间通道间的相关性;利用F-score筛选出最优特征组合,既增加了预测的准确率又去除冗余信息;利用支持向量机(support vector machine,SVM)分类器识别癫痫发作前期和发作间期的颅内脑电信号.为验证该特征的预测效果,进行了模糊熵或皮尔逊相关性单独作为特征参数的对比试验.实验结果表明,与单一特征相比,时空特征的预测效果更好,准确率高达91.26％,误报率仅为2.32％.该方法能有效提取癫痫特征信息,为癫痫的临床预警提供新思路.
文献关键词：
癫痫;颅内脑电(EEG);时空特征;模糊熵;皮尔逊相关;支持向量机(SVM)
中图分类号：
作者姓名：
易芳吉;钟丽莎;李章勇
作者机构：
重庆邮电大学 生物信息学院,重庆400065;西南医科大学 医学信息与工程学院,四川 泸州646000;厅市共建中枢神经系统药物四川省重点实验室,四川 泸州646000
文献出处：
引用格式：
[1]易芳吉;钟丽莎;李章勇-.基于SVM分类器的癫痫脑电时空特征提取方法的研究)[J].重庆邮电大学学报（自然科学版）,2022(03):444-450
A类：
B类：
分类器,癫痫脑电,时空特征提取,癫痫发作,突发性,反复性,安全带,取模,模糊熵,皮尔逊相关性,时序信号,score,优特,特征组合,冗余信息,support,vector,machine,器识,发作间期,颅内,脑电信号,误报率,有效提取,特征信息,临床预警,EEG
AB值：
0.367381
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
