基于SVM和小波分析的脑电信号分类方法.PDFVIP

第２８卷第５期　　　 计算机应用与软件 Ｖｏｌ２８Ｎｏ．５ ２０１１年５月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ｍａｙ２０１１ 基于ＳＶＭ和小波分析的脑电信号分类方法 １，２ １ １ １ 赵建林 　周卫东 　刘　凯　蔡冬梅 １（山东大学信息科学与工程学院　山东济南２５０１００） ２（河南商业高等专科学校计算机系　河南郑州４５００４４） 摘　要　　根据癫痫脑电信号与正常脑电信号波形和能量特征的不同，研究了两种的脑电信号分类方法，一种采用支持向量机 ＳＶＭ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ）分类器对正常脑电和癫痫脑电进行分类；另一种使用小波分析和支持向量机相结合的方法对脑电进 行分类，并比较了这两种方法对正常脑电和癫痫脑电分类的正确率。实验结果表明，小波分析和ＳＶＭ结合的方法对脑电信号分类 可以取得更好的效果，能有效区分癫痫脑电和正常脑电。 关键词　　支持向量机　小波分析　脑电　训练　分类 ＥＥＧＳＩＧＮＡＬＣＬＡＳＳＩＦＩＣＡＴＩＯＮＭＥＴＨＯＤＢＡＳＥＤＯＮＳＶＭＡＮＤＷＡＶＥＬＥＴＡＮＡＬＹＳＩＳ １，２ １ １ １ ＺｈａｏＪｉａｎｌｉｎ 　ＺｈｏｕＷｅｉｄｏｎｇ　ＬｉｕＫａｉ　ＣａｉＤｏｎｇｍｅｉ １（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｊｉｎａｎ２５０１００，Ｓｈａｎｄｏｎｇ，Ｃｈｉｎａ） ２（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒ，ＨｅｎａｎＢｕｓｉｎｅｓｓＣｏｌｌｅｇｅ，Ｚｈｅｎｇｚｈｏｕ４５００４４，Ｈｅｎａｎ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　ＤｕｅｔｏｔｈｅｄｉｆｆｅｒｅｎｃｅｓｏｆＥＥＧｓｉｇｎａｌｗａｖｅｆｏｒｍｓａｎｄｓｐａｔｉａｌｅｎｅｒｇｙｃｈａｒａｃｔｅｒｉｓｔｉｃｓｂｅｔｗｅｅｎｅｐｉｌｅｐｓｙｐａｔｉｅｎｔｓａｎｄｈｅａｌｔｈｙｐｅｒｓｏｎ， ｗｅｅｍｐｌｏｙｔｗｏｍｅｔｈｏｄｓｔｏｃｌａｓｓｉｆｙｔｈｅｓｅｔｗｏｋｉｎｄｓｏｆｓｉｇｎａｌｓ．ＴｈｅｏｎｅｉｓｔｏｔｒａｉｎａｎｄｃｌａｓｓｉｆｙｓｉｇｎａｌｓｂｙＳＶＭ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ） ｃｌａｓｓｉｆｉｅｒ，ｔｈｅｏｔｈｅｒｉｓｔｈｅｓｙｎｔｈｅｔｉｃａｐｐｌｉｃａｔｉｏｎｏｆｗａｖｅｌｅｔａｎａｌｙｓｉｓａｎｄＳＶＭ．Ｔｈｅｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅｓｅｔｗｏｍｅｔｈｏｄｓｏｎｎｏｒｍａｌ ＥＥＧａｎｄｅｐｉｌｅｐｔｉｃＥＥＧｉｓｃｏｍｐａｒｅｄ．ＲｅｓｕｌｔｓｏｆｔｈｅｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｏｆＳＶＭｃｏｍｂｉｎｉｎｇｗａｖｅｌｅｔａｎａｌｙｓｉｓｃａｎａｃｈｉｅｖｅａｂｅｔｔｅｒ ｐｅｒｆｏｒｍａｎｃｅｉｎＥＥＧｓｉｇｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｗｈｉｃｈｃａｎｅｆｆｅｃｔｉｖｅｌｙｄｉｓｔｉｎｇｕｉｓｈｔｈｅｅｐｉｌｅｐｔｉｃＥＥＧａｎｄｔｈｅｎｏｒｍａｌＥＥＧ． Ｋｅｙｗｏｒｄｓ　　ＳＶＭ　Ｗａｖｅｌｅｔａｎａｌｙｓｉｓ　ＥＥＧ　Ｔｒａｉｎｉｎｇ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ 络在应用时需要大量实验数据确定最优参数和网络结构，而实 ０　引　言 际癫痫波形的变异较大，这种方法分析癫痫脑电的效果还有待 优化和提高［８］；非线性动力学方法将大脑看作一个多维动态系 癫痫是一种常见的神经疾病，临床表现为发作性意识改变、 统，通过ＥＥＧ时间序列来构建大脑的多维状态空间，大脑在癫 抽搐以及精神异常等，癫痫属于慢性疾病，反复发作，严重影响