基于EMD和混合特征的癲癇腦電信號識別研究.pdf

1、癲癇是神經(jīng)科第二大疾病，僅在中國患病人數(shù)就高達九百多萬;在傳統(tǒng)的醫(yī)療診斷中，普遍采用人工閱讀腦電信號的方法，該方法不僅效率低，且由于醫(yī)療資源分配不均以及醫(yī)生經(jīng)驗不足等原因使得誤診的情況時常發(fā)生，自動識別癲癇腦電信號，能有效避免誤診的情況，使患者盡早確診疾病，得到及時的醫(yī)治。
　　癲癇腦電信號的自動識別包括兩個部分:特征提取和特征分類，其中最重要的部分是特征提取。在腦電信號的特征提取過程中，特征向量包含腦電信號的信息是否全面并能否描

2、述癲癇腦電信號的特點是至關重要的，直接影響著癲癇腦電信號識別分類的精度。
　　本文提出一種基于經(jīng)驗模態(tài)分解(EMD)和混合特征的特征提取算法。首先利用經(jīng)驗模態(tài)分解對不同的腦電信號進行自適應地分解，得到一系列的模態(tài)本征函數(shù)，這些模態(tài)本征函數(shù)的階數(shù)按頻率高低來排列，即每個模態(tài)本征函數(shù)代表著不同頻段的腦電信號特征，選取對應癲癇發(fā)作的頻率段的模態(tài)本征函數(shù)進行腦電信號的序列重構，得到一組新的腦電信號時間序列，再對重構后的新序列進行基于線性方

3、法和非線性方法的特征提取，分別對應于腦電信號的線性特征信息和非線性特征信息，然后將線性特征向量和非線性特征向量進行特征融合，得到該算法的混合特征向量，使混合特征向量能夠更全面地描述癲癇腦電信號的信息，最后將融合后得到的特征向量作為分類器的輸入數(shù)據(jù)進行腦電信號的自動識別分類。本文對此進行了一系列的仿真實驗，其結果表明:使用本文所提特征提取的算法能夠更好的描述癲癇腦電信號的特征，從而更便于分類器識別分類，分類器選定極限學習機，訓練時間短，識