利用高频脑电的局灶性癫痫患者癫痫发作检测

针对现有的大多数癫痫发作自动检测方法都是在脑电的低频段进行而忽略高频成分这一现象,利用长时程头皮脑电的高频成分对局灶性癫痫患者进行癫痫发作检测。首先将19通道的脑电数据在一个滑动时间窗内利用小波分解提取出高频γ波段,再利用有向传递函数算法来提取信息流特征,求得流出信息强度特征用以降维,然后将此波段的特征通过支持向量机进行分类,通过五重交叉验证得到癫痫发作效果评价。结果表明:利用高频检测脑电癫痫发作的正确率为98.4%,平均选择性为60.7%,平均敏感性为93.4%,平均特异性为98.4%,平均检出率为95.9%;通过和使用其他子频带进行癫痫发作检测的结果对比发现,γ波段有着更高的分类效果;表明了对于局灶性癫痫患者,在癫痫发作时,其γ波段的流出信息强度显著性集中和增强在某些脑区。研究内容验证了癫痫发作与脑电中高频成分有关的观点。     

基于脑电模糊能量特征提取的癫痫分类诊断

目的提出一种基于8导脑电模糊能量特征提取的多分类支持向量机混合诊断模型。方法通过计算8导脑电的能量并转换为模糊特征向量,将模糊特征向量输入到多分类的支持向量机中。训练和测试数据样本来自西京医院癫痫中心的60个临床监护病例。结果该方案的平均分类准确率可达80%以上,远高于传统的医师主观判断的准确率;对临床最常见的部分性发作和全身性发作的分类准确率可达90%左右。结论提出的方案可实现对癫痫不同类型的识别。     

一种新的模糊支持向量回归方法

为克服传统的模糊支持向量机隶属度函数都是基于样本与类中心距离进行设计所带来的局限性问题,提出了基于样本到超平面距离的新隶属度函数设计方法。该方法从支持向量机的回归本质出发,通过更加合理地设计隶属度函数,提高支持向量机的回归的泛化鲁棒能力。仿真结果证明,该方法具有更好的鲁棒性,提高了模糊支持向量机的泛化能力。     

一种基于S变换及样本熵组合特征的癫痫脑电信号分类方法

癫痫脑电信号的自动检测对癫痫的临床诊断与治疗具有重要意义。为了解决脑电信号采用单一特征识别率不高的问题,提出了一种基于S变换与样本熵组合的癫痫脑电信号自动识别方法。首先对原始信号进行S变换;然后对变换后脑电信号各节律的幅值分别求其波动指数,将其与原始信号计算得到的样本熵组合为特征向量;最后采用支持向量机进行癫痫脑电信号自动识别。实验结果表明:方法的分类准确率明显提高,准确率可达到98.94%。     

一种新的癫痫脑电融合特征提取方法

癫痫是一种常见的大脑神经紊乱疾病,癫痫性发作主要由大脑中反常的神经元的超同步放电引起。为了更好地完成癫痫性发作的自动检测,文中提出了一种新的癫痫脑电融合特征提取方法。一方面,在基于Hjorth参数的振幅移动性与振幅复杂度的基础上,结合Hilbert变化提出了一种新的频率移动性与频率复杂度,然后将他们合成定义为改进的Hjorth参数特征;另一方面,结合二阶差分提出了一种改进的二阶差分样本熵。最后将改进的Hjorth参数特征与二阶差分样本熵一起作为融合特征放入超限学习机（ELM）中进行分类。数值实验结果表明,文中所提出的融合特征与ELM结合的癫痫性发作的自动检测方法与已有方法相比,检测性能有了很大提高,准确率可达到97.42%。     

基于ICA与小波阈值的癫痫脑电信号去噪方法

在癫痫性发作的自动检测中,脑电信号的去噪对检测结果起着至关重要的作用。文中提出了一种新的基于ICA与小波阈值的癫痫脑电信号去噪方法。该方法首先利用ICA将多通道癫痫脑电信号分解为若干独立分量;其次基于独立分量与脑电信号间的夹角余弦识别含噪独立分量并用小波阈值对其去噪处理;最终,在去噪后的癫痫脑电信号与原始癫痫脑电信号中提取样本熵作为脑电特征,并结合超限学习机完成癫痫性发作的自动检测。实验结果表明,在去噪后癫痫脑电信号上的分类性能均优于原始癫痫脑电信号,该文所提方法一定程度上达到了自动去除脑电噪声的效果。同时,该方法避免了去噪过程中对噪声人工辨别及干净参考噪声选取等问题。     

基于多分类SVM算法的癫痫发作自动检测方法

高性能的癫痫脑电信号自动检测方法对减轻医生负担并提高癫痫的诊断效率具有重要临床研究意义。论文提出了一种能够区分正常、癫痫发作和发作间期脑电信号的高性能三分类系统。采用Daubechies 4小波构成的4级提升式小波变换将脑电信号分解为不同子带信号,求得不同子带信号的近似熵、Teager能量、局部波动率、自回归系数、Hurst指数特征值;利用Fisher得分法进行特征选择,提高分类精度同时减小计算复杂度;基于二叉树多分类支持矢量机(support vector machine, SVM)对脑电信号分类,实现正常、癫痫发作和发作间期信号的自动检测。实验表明,系统的准确率、灵敏度和特异性均达到100%,优于现有的分类识别方法,提出的三分类系统具有良好的分类性能,为癫痫及癫痫发作的临床检测提供了较好参考价值。     

基于非负矩阵分解的癫痫脑电自动检测

针对多分类癫痫检测算法因特征维数多而导致识别率不理想的问题, 提出了一种基于分数阶傅里叶变换(FrFT: Fractional Fourier Transform)和非负矩阵分解(NMF: Non-negative Matrix Factorization)的癫痫脑电自动识别算法。 首先采用 FrFT 对脑电信号进行时频聚焦, 并利用短时傅里叶变换 (STFT: Short-Time FourierTransform)提取脑电信号的时频特征; 再应用 NMF 对提取的时频特征进行降维; 最后将降维后的特征输入到支持向量机(SVM: Support Vector Machine)分类器中进行识别。 实验结果表明, 该方法能识别正常、 癫痫发作间期和癫痫发作期 3 类脑电信号, 其分类准确率可达 98. 8%。     

基于共同空间模型的癫痫脑电检测预测的优劣

从辅助临床诊断为出发点,对癫痫脑电波的数据进行分析,用统计模式识别的方法——共同空间模型,结合统计学习理论——支持向量机,对脑电波进行检测和分类,结果表明共同空间模型方法可以很好的区分正常和异常的脑电波.而且对于一些癫痫发作模式,能够找到发作之前的征兆脑电波,进行预测.最后,对该检测预测系统之优劣进行了讨论.     

癫痫脑电的特征提取方法综述

癫痫是一种常见的以反复癫痫性发作为特征的慢性神经系统疾病。癫痫性发作的自动检测是通过机器学习及数据挖掘等方法对癫痫发作脑电自动识别的一种技术。如何设计合适的脑电特征提取方法是有效完成癫痫性发作自动检测的关键所在。文中系统总结了用于癫痫性发作自动检测的脑电特征提取方法,分别从时域分析、频域分析、时频分析、非线性动力学、图论、癫痫计算模型6个方面将已有的癫痫脑电特征提取方法进行归类,并对每类方法的基本原理和设计思想进行了系统的阐述。     

在线序列ELM算法及其发展

目的综述在线序列ELM算法及其改进,为相关研究者提供该研究方向的发展历史和最新结果。方法从在线序列ELM的基本思想与基本理论出发,通过分析总结其优点与不足,概括基于不同角度的在线序列ELM算法改进。结果对在线序列ELM算法及其发展进行了全面系统的分析、归纳和总结。结论在线序列ELM算法的主要发展方向可聚焦于:如何建立新的可调整网络结构的在线序列ELM算法,以及如何提高算法稳定性两个方面。     

基于人为误差的支持向量机——4E-SVM

传统的支持向量机是将分类问题转化成二次规划问题来解决的。针对传统的支持向量机算法及其变形算法忽略了训练集数据含有较大人为误差参与时其算法精度所存在的保障问题,提出了基于人为误差的支持向量机（artificial error-support vector machine以下称AE—SVM）的基本理论,并建立了AE—SVM的理论模型。该模型是C—SVM模型的改进和推广。     

一种支持向量机的动态自适应加权算法

针对现有回归型加权支持向量机直接选择加权系数法存在的不足,提出了一种对加权系数进行寻优的新方法——动态自适应加权算法.通过对权系数进行的自适应迭代调整,以确定其最优值,并进行了实验仿真.仿真结果表明：采用该方法确定的最优加权系数,可以对预测样本数据进行更准确的回归估计.     

基于ELM-SVR模型的装备关键部件寿命预测

摘 要 装备关键部件数量众多,其性能决定了武器系统的健康寿命。为解决单一模型预测精度不高的问题,提出了基于ELM-SVR模型的剩余寿命预测方法。使用ELM模型的隐层神经元激活函数将特征映射到高维空间,提高特征辨识度,对高维特征采用核函数SVR模型拟合,以软间隔函数代替均方误差函数为优化函数,有效提升了剩余寿命预测精度。依据多个装备关键部件的综合性能指标对其进行剩余寿命预测,实验结果表明：与ELM、SVR、KELM模型相比,平均预测精度分别提高了57.14%,44.44%,11.76%,可见ELM-SVR模型具有一定的泛化能力与鲁棒性,可显著提高剩余使用寿命预测精度。     

一种新的房颤心电特征提取方法

心房颤动（简称房颤）是一种常见的心律失常疾病。由于阵发性房颤持续时间短暂、发作难以捕捉且易诱发形成致死性心血管疾病,故阵发性房颤的及时诊断具有非常重要的临床意义。为了提高诊断的准确性和实时性,文中提出一种新的房颤心电特征提取方法。首先采用50Hz陷波滤波器、35Hz低通数字滤波器、0.2Hz巴特沃兹高通滤波器进行数据去噪;其次,提取刻画心电信号散点图差异的度量指标作为房颤心电特征;最后,采用MIT-BIH房颤数据库并结合超限学习机完成阵发性房颤的自动检测,以验证所提方法的可行性与有效性。     

基于支持向量机的香水识别电子鼻系统设计

针对电子鼻在化妆品领域的应用推广问题, 研制了一套用于香水识别的电子鼻系统。该系统主要包括数据采集, 信号调理, 特征提取和模式识别。硬件以微控制器dsPIC30F6014A为核心, 根据香水气味合理地选择了3个广谱型气敏传感器, 并加入温湿度传感器; 软件利用基于COM组件的VC和Matlab混合编程, 设计并实现了内嵌模式识别算法的上位机监控软件, 并发布成可执行文件。模式识别采用支持向量机（SVM: Support Vector Machine)方法, 相比PCA(Principal Component Analysis)、 神经网络等算法提高了小样本情况下的泛化性能。利用该系统对4种香水进行训练、 识别, 分类准确率达92%, 检测结果表明, 该电子鼻系统在香水识别方面具有较高的准确性和稳定性。