基于变分模态分解的癫痫脑电信号分类方法

张学军; 景鹏; 何涛; 孙知信

doi:10.3969/j.issn.0372-2112.2020.12.024

您当前的位置：

首页 >

文章列表页 >

基于变分模态分解的癫痫脑电信号分类方法

学术论文 | 更新时间：2025-12-08

- 基于变分模态分解的癫痫脑电信号分类方法
- An Epileptic Electroencephalogram Signal Classification Method Based on Variational Mode Decomposition
- 电子学报 2020年48卷第12期页码：2469-2475
- 作者机构：
  
  1. 南京邮电大学电子与光学工程学院,江苏,南京,210023
  2. 南京邮电大学射频集成与微组装技术国家地方联合工程实验室,江苏,南京,210023
  3. 南京邮电大学江苏省邮政大数据技术与应用工程研究中心,江苏,南京,210003
  4. 南京邮电大学国家邮政局邮政行业技术研发中心(物联网技术),江苏,南京,210003
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.61972208，No.61672299）
- DOI：10.3969/j.issn.0372-2112.2020.12.024
  中图分类号： R318
- 网络出版：2020-12-25，
  
  纸质出版：2020
- 稿件说明：
移动端阅览
张学军, 景鹏, 何涛, 等. 基于变分模态分解的癫痫脑电信号分类方法[J]. 电子学报, 2020,48(12):2469-2475.

ZHANG Xue-jun, JING Peng, HE Tao, et al. An Epileptic Electroencephalogram Signal Classification Method Based on Variational Mode Decomposition[J]. Acta Electronica Sinica, 2020, 48(12): 2469-2475.
张学军, 景鹏, 何涛, 等. 基于变分模态分解的癫痫脑电信号分类方法[J]. 电子学报, 2020,48(12):2469-2475. DOI： 10.3969/j.issn.0372-2112.2020.12.024.

ZHANG Xue-jun, JING Peng, HE Tao, et al. An Epileptic Electroencephalogram Signal Classification Method Based on Variational Mode Decomposition[J]. Acta Electronica Sinica, 2020, 48(12): 2469-2475. DOI： 10.3969/j.issn.0372-2112.2020.12.024.

摘要

癫痫是一种常见的脑部疾病，通过脑电图能非侵入地定位人脑中的致痫区域.为了辨别病灶性和非病灶性癫痫脑电信号，文章提出一种基于变分模态分解的癫痫脑电信号自动检测方法，首先将原信号分割成多个子信号，并对各子信号进行变分模态分解，然后从分解后的不同变分模态函数中提取精细复合多尺度散布熵和精细复合多尺度模糊熵两个特征并利用支持向量机进行分类.针对癫痫脑电的公共数据集，最终的实验结果表明，准确率、灵敏度和特异度三个性能指标分别达到94.24%，95.58%和90.64%，ROC曲线下面积达0.978.

Abstract

Epilepsy is a recurrent cerebral disease

and electroencephalogram (EEG) provides a non-invasive way to identify epileptogenic sites in the brain. In order to distinguish focal and non-focal epilepsy EEG signals

this paper proposes an automated epileptic EEG detection method based on variational mode decomposition. Firstly

the original signals are divided into several sub-signals

which are decomposed into intrinsic mode functions by using the variational mode decomposition (VMD). Furthermore

refined composite multiscale dispersion entropy (RCMDE) and refined composite multiscale fuzzy entropy (RCMFE) are extracted from each intrinsic mode function. Finally

the support vector machine (SVM) is used to classify characteristics. For an epilepsy EEG signals' public data set

the final experimental performance measures of accuracy

sensitivity

and specificity reach 94.24%

95.58% and 90.64% respectively

and the area under the ROC curve is 0.978.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于结构化特征重构的高光谱图像分类

融合句嵌入模型和代码特征的补丁验证方法

基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断

雷达极化域变焦角反组合体对抗方法：抗冲淡式干扰

基于小波变换和深度网络的着陆地貌图像分类