华南理工大学学报(自然科学版)

作者：郭礼华, 杨辉, 吴倩仪等

单位：1.华南理工大学 电子与信息学院, 广东 广州 510640；2.广州医科大学附属第二医院 神经内科, 广东 广州 510260；3.广州医科大学附属第二医院 急诊科, 广东 广州 510260

关键词：脑电图分析,癫痫发作分类,路径签名,信号分析

基金：广东省基础与应用基础研究基金资助项目(2022A1515011549)

基于脑电图（EEG）信号的癫痫自动检测对癫痫的临床诊断和治疗有很大的帮助。由于大部分癫痫识别算法忽略了EEG信号的时序关系，为此，文中提出了一种基于多频带路径签名特征的癫痫EEG信号分类方法。此方法首先将EEG信号分解成5个不同频段的频带信号，再通过路径签名算法进行特征提取，然后采用局部主成分分析去除特征相关性并进行特征融合，最后将融合特征送入集成分类器中进行预测分类。由于路径签名可以更深入地挖掘EEG信号的相关关系，结合局部主成分分析后，文中方法可以获取更有鉴别性的癫痫分类特征。分别在时长超过2 000 s癫痫发作片段的本地医院私有数据集和开源的CHB-MIT癫痫数据集上，选用10折交叉进行实验验证，结果表明：在私有数据集上，文中方法的平均分类准确率达到97.25%，比经典的基于经验模态分解（EMD）的方法提高了3.44个百分点，比最新的基于长短期记忆网络（LSTM）+卷积神经网络（CNN）的方法提高了1.35个百分点；在CHB-MIT数据集上，文中方法的平均分类准确率达到98.11%，比经典的基于EMD的方法提高了5.20个百分点，比最新的基于LSTM+CNN的方法提高了2.64个百分点；在两个数据集上文中方法的分类准确率均优于其他对比方法。

来源：2024年第7期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2024年第7期