典型文献
机器学习与脑电信号分析相结合的眩晕状态分类
文献摘要：
背景:脑电图是临床上检测及分析眩晕的一种常用手段,目前多采用单极或多级导联描记并分析脑电频率是否异常.但眩晕的脑电活动过程是异常复杂的,仅采用频率快慢分析的方法,很难对眩晕状态进行准确的分类和检测.目的:将机器学习与脑电信号分析相结合对眩晕状态进行分类,这对眩晕的诊断具有一定的研究意义和临床应用价值.方法:采用无创的前庭功能调节技术前庭电刺激制造可逆的眩晕状态,刺激电流强度为1,2,4倍皮肤感知阈值,被试在不同强度电流刺激后需填写眩晕残障量表,根据眩晕障碍量表评估结果将眩晕症状分为不同的等级,以此作为脑电分类有监督学习的数据标签.采集刺激后的脑电信号,通过小波变换提取脑电信号的小波能量以及小波熵的样本特征,利用多种机器学习分类模型对有无眩晕以及不同等级眩晕的样本特征进行分类.结果 与结论:①通过对多种分类模型分类结果的对比发现:基于脑电信号小波变换特征的有监督学习分类可以实现是否眩晕和眩晕等级的二分类和多分类;②随机森林分类模型较逻辑回归模型、支持向量机模型、反向传播神经网络模型在眩晕检测的二分类以及多分类问题上表现出较高的准确率,其中二分类准确率最高可达82.5％,操作特性曲线面积为0.913,三分类准确率最高可达75.8％,操作特性曲线面积为0.927;③结果 表明,随机森林模型在有无眩晕及眩晕等级的脑电特征分类问题上具有较高的准确率.该方法为眩晕症状的分类检测提供了一种可行性的补充方案,为眩晕症的诊断提供了一个新的思路.
文献关键词：
前庭电刺激;眩晕;脑电信号;小波变换;分类算法
中图分类号：
作者姓名：
耿跃华;石金祥
作者机构：
河北工业大学,省部共建电工装备可靠性与智能化国家重点实验室,天津市 300130
文献出处：
引用格式：
[1]耿跃华;石金祥-.机器学习与脑电信号分析相结合的眩晕状态分类)[J].中国组织工程研究,2022(29):4624-4631
A类：
前庭电刺激
B类：
脑电信号,电信号分析,状态分类,脑电图,检测及分析,单极,脑电频率,脑电活动,快慢分析,研究意义,临床应用价值,无创,前庭功能,功能调节,调节技术,激电,电流强度,肤感,不同强度,电流刺激,填写,眩晕残障量表,眩晕障碍量表,量表评估,眩晕症状,脑电分类,有监督学习,数据标签,小波变换,小波能量,小波熵,样本特征,分类模型,不同等级,模型分类,二分类,随机森林分类,逻辑回归模型,支持向量机模型,反向传播神经网络模型,多分类问题,中二,分类准确率,特性曲线,线面,三分类,随机森林模型,特征分类,分类检测,分类算法
AB值：
0.319828
相似文献
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。
