基于支持向量机的癫痫脑电分类要点详解.ppt

基于支持向量机的癫痫脑电分类 2220130661 王哲 2220130664 张朦 基于支持向量机的癫痫脑电分类 癫痫 脑电图 方法 特征向量 SVM 什么是癫痫 癫痫——一种神经系统疾病 癫痫脑电图分类的意义 脑电图特征向量提取方法 支持向量机的输入特征向量 基于支持向量机的癫痫脑电分类 癫痫（Epilepsy），通常是脑病变造成的脑细胞突然异常的过度放电引发的脑功能失调，以脑神经元异常放电引起反复痫性发作为特征。 癫痫脑电图 方法 特征向量 SVM 什么是癫痫 癫痫——一种神经系统疾病 癫痫脑电图 癫痫脑电图对病灶的定位和病情分析都有重要意义。由于癫痫发作的不确定性，脑电图需要长时间记录。因此脑电的自动检测与分类就越发显得迫切与重要。 什么是癫痫 方法 特征向量 SVM 癫痫 脑电图 * 利用癫痫波波形的时频特征： 模板匹配 拟态法特征 相对能量 相对振幅 什么是癫痫 癫痫脑电图 特征向量 SVM 方法 提取方法 * 近似熵和样本熵 Hurst 指数 Lyapunov指数 关联维数 采用脑电的非线性动力学特性为分类特征 什么是癫痫 癫痫脑电图 特征向量 SVM 方法 提取方法 * 去趋势波动分析(DFA) 方法： DFA 适用于研究各种非稳态时间序列的长程幂律相关性。 什么是癫痫 癫痫脑电图 特征向量 SVM 方法 提取方法 * 当癫痫发作时，大脑会产生各种各样的脑电波形，这时候脑电信号的波动会比未发作的间歇期要剧烈。 什么是癫痫 癫痫脑电图 方法 SVM 特征向量 特征向量一——波动指数F 所以，我们定义如下波动指数来衡量信号v变化的强度： 其中， 为信号的长度。 什么是癫痫 癫痫脑电图 方法 SVM 特征向量 特征向量一——波动指数F DFA方法是一种标度计算方法，计算标度指数α，α是判定序列长程幂律相关性的一个重要指标。 其中 是均方误差平均值 什么是癫痫 癫痫脑电图 方法 SVM 特征向量 特征向量二——标度指数α 将标度指数α和波动指数F作为检测特征，输入SVM分类器，流程图如下： 癫痫脑电图 方法 什么是癫痫 SVM 特征向量 基于SVM的脑电波分类方法 计算标度指数α： 将α作为SVM 分类器的输入特征。其中窗口n的取值范围是从最小32 开始，然后是32 的倍数，一直到整个时间序列的长度1024。 什么是癫痫 癫痫脑电图 方法 特征向量 SVM 基于SVM的脑电波分类方法 计算波动指数F： 癫痫脑电波一般出现在3~30 Hz，在计算波动指数之前要对其进行滤波。可以取三个频段4~8 Hz、8~13 Hz和13~30 Hz对脑电信号进行滤波，分别对应脑电的α波、β和θ波。 什么是癫痫 癫痫脑电图 方法 特征向量 SVM 基于SVM的脑电波分类方法 Section header 将标度指数α和波动指数F输入到SVM 分类器进行训练，获得其最优参数。然后使用测试数据验证基于SVM 的癫痫检测算法的性能。 什么是癫痫 癫痫脑电图 方法 SVM 基于SVM的脑电波分类方法 为此脑电图阅读对医务工作者是一项复杂并且耗时的工作。 其本质是试图量化人的视觉评估过程。 其本质是试图量化人的视觉评估过程。 为此脑电图阅读对医务工作者是一项复杂并且耗时的工作。 其本质是试图量化人的视觉评估过程。 其本质是试图量化人的视觉评估过程。