基于GM-SVM的癫痫发作脑电信号识别

论文摘要

脑电图（Electroencephalogram,EEG）是诊断癫痫发作的重要依据。针对人工识别癫痫脑电信号中出现的效率低易误诊等问题,依据遗传算法和支持向量机理论,提出基于遗传算法结合支持向量机分类模型（GM-SVM）的癫痫发作脑电信号识别方法。将支持向量机相关参数设计成遗传个体,将遗传算法的适应度值设置为GM-SVM的识别准确率,通过迭代寻优获得较优的识别效果。最后,该方法在伯恩大学癫痫研究中心的脑电数据上进行训练和评估,结果表明该方法可以正确识别癫痫发作脑电信号,并达到98%的精度和99%的AUC（Area Under ROC Curve,ROC曲线下的面积）,相较于其他分类算法有较优的识别性能。

论文目录

• 0 引言
• 1 支持向量机相关知识
• 2 基于GA-SVM的癫痫发作脑电识别
• 3 实验结果与分析
•   3.1 实验数据和实验环境
•   3.2 实验结果
• 4 结束语

文章来源

类型: 期刊论文

作者: 潘媛媛,王培培,叶明全,卢小杰

关键词: 信号识别,癫痫发作,遗传算法,支持向量机,参数组合优化

来源: 贵州师范学院学报 2019年09期

年度: 2019

分类: 社会科学Ⅱ辑,医药卫生科技,信息科技

专业: 神经病学,电信技术,自动化技术

单位: 皖南医学院医学信息学院

基金: 皖南医学院中青年科研基金项目“基于长短时记忆神经网络(LSTMs)的肝脏系统功能障碍死亡率预测研究”(No.WK201920),安徽高校人文社会科学研究项目“大数据背景下Ⅱ型糖尿病危险人群风险评价与预警机制研究”(No.SK2018A0198)

分类号: TN911.7;TP18;R742.1

DOI: 10.13391/j.cnki.issn.1674-7798.2019.09.002

页码: 7-12

总页数: 6

文件大小: 766K

下载量: 31