典型文献
基于EEG信号特征提取与SVM算法的睡眠自动分期
文献摘要：
传统凭借人工逐帧识别脑电信号来判断睡眠时期的方法耗费大量时间,效率低下;基于采集到的头部脑电信号引入模式识别的方法来完成自动分期的任务.利用小波阈值滤波对脑电信号进行预处理.采用小波包分解提取出每帧数据中四种节律波并计算相应节律波能量值,以此作为分类特征.为了更好地适应非线性问题,还要提取非线性特征,计算每帧数据的排列熵和样本熵.划分出70％的数据作为训练集用于支持向量机的多分类器模型的分类训练,将训练完成的模型对测试集进行测试,得到了整体84.4％的准确率.提取的数据特征和支持向量机的多分类模型适用于解决脑电信号的睡眠分期任务,可以得到不错的准确率.
文献关键词：
脑电信号;睡眠分期;特征提取;支持向量机
中图分类号：
作者姓名：
张章;周新淳;赵鸿浩;张雪华
作者机构：
宝鸡职业技术学院机电信息学院 宝鸡 721000;宝鸡文理学院物理与光电技术学院 宝鸡 721016;陕西烽火通信集团有限公司宝鸡研发中心 宝鸡 721006
文献出处：
引用格式：
[1]张章;周新淳;赵鸿浩;张雪华-.基于EEG信号特征提取与SVM算法的睡眠自动分期)[J].计算机与数字工程,2022(05):936-941
A类：
B类：
EEG,信号特征提取,借人,脑电信号,耗费,模式识别,小波阈值滤波,小波包分解,节律,应节,波能,能量值,分类特征,非线性问题,非线性特征,排列熵,样本熵,分出,训练集,多分类器,分类训练,测试集,数据特征,分类模型,睡眠分期,不错
AB值：
0.344799
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。
