经验模式分解与代价敏感支持向量机在癫痫脑电信号分类中的应用  

Classification and Prediction of EEG based on Empirical Mode Decomposition

作　　者：李冬梅[1] 张洋[2] 杨日东[3] 陈子怡[4] 田翔华[1] 董楠[3] 尔西丁·买买提[1] 周毅[1,3] 

机构地区：[1]新疆医科大学,新疆乌鲁木齐830011 [2]新疆医科大学第一附属医院神经内科,新疆乌鲁木齐830011 [3]中山大学中山医学院生物医学工程系,广东广州510080 [4]中山大学附属第一医院神经内科,广东广州510080

出　　处：《生物医学工程研究》2017年第1期33-37,共5页Journal Of Biomedical Engineering Research

基　　金：国家自然科学基金资助项目(61263011);中央高校基本业务费项目(15ykcj03d);广东省前沿与关键技术创新专项(2014B010118003,2015B010106008)

摘　　要：提取出脑电信号中微弱征兆信息,可以更好地了解脑电信号的特征,但由于各类外界信号的相互混叠,信号呈现出非线性、非平稳性,因此脑电信号的提取是个难题。为此本研究提出了优于小波分解的经验模式分解(EMD)算法对脑电信号进行分解,提取主要IMF分量的特征值,随后采取代价敏感支持向量机(CSVM)进行分类,并对参数进行寻优。在对癫痫患者脑电信号研究的实验中,分类准确率均达到90%以上,验证了本方法的可行性。EEG signals can be extracted from EEG signals, which can better understand the characteristics of EEG signals.However, due to the aliasing of various types of external signals, the signal exhibits nonlinear and nonstationarity.Therefore, for EEG signals, extraction is a problem.In this paper, an empirical mode decomposition （EMD） algorithm, which is superior to wavelet decomposition, was proposed to decompose the EEG signal and extract the eigenvalues of the main IMF components.Then, the cost-sensitive support vector machine （CSVM） was used to classify the parameters excellent.In the study of EEG signals of epilepsy patients, the accuracy of classification is more than 90%, which verifies the feasibility of this method.

关 键 词：脑电信号 癫痫 经验模式分解 代价敏感支持向量机 参数寻优 

分 类 号：R318[医药卫生—生物医学工程]