检索结果-南通市图书馆

实验技术与管理 2020年第12期37卷 57-62页

作者：吴端坡王紫萌董芳冯维刘兆霆杭州电子科技大学通信工程学院浙江杭州310018 浙大城市学院信息与电气工程学院浙江杭州310015 浙江环玛信息科技有限公司浙江杭州310052

针对癫痫发作检测方法中数据量庞大导致模型训练时间过长、检测结果与临床医生标记结果存在差异等问题,提出了一种基于振幅整合脑电图(amplitude integrated electroencephalography,aEEG)尖峰和连续脑电图(continuous electroencephalo... 详细信息

针对癫痫发作检测方法中数据量庞大导致模型训练时间过长、检测结果与临床医生标记结果存在差异等问题,提出了一种基于振幅整合脑电图(amplitude integrated electroencephalography,aEEG)尖峰和连续脑电图(continuous electroencephalography,cEEG)棘波提取的癫痫发作检测算法。此发作检测算法以MATLAB软件为基础开发平台,利用形态学滤波技术对多通道aEEG脑电信号进行尖峰提取,确定癫痫发作所在通道。然后对该通道cEEG进行形态学滤波,并计算每个5 s长脑电片段的棘波率(spike rate,SR),使用阈值法进行癫痫发作检测,如果某个脑电片段的SR大于预设的发作阈值,则说明该片段为癫痫发作片段。实验结果表明:该算法的癫痫发作检测在客观质量评价指标上取得了良好的效果。

关键词：振幅整合脑电图形态学滤波棘波提取发作检测 MATLAB

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于脑电特征纹理与不平衡分类的癫痫发作检测研究

基于脑电特征纹理与不平衡分类的癫痫发作检测研究

引用

作者：孙成法山东师范大学

学位级别：硕士

癫痫是一种常见的慢性、频繁发作的神经系统紊乱疾病,它通常是由脑神经元细胞突然过度放电引起的,严重时可导致病人失去理智或意识、运动障碍、感觉、情绪或心理功能失调,给患者带来极大的痛苦,因此癫痫疾病的诊断检测研究对癫痫疾病的... 详细信息

癫痫是一种常见的慢性、频繁发作的神经系统紊乱疾病,它通常是由脑神经元细胞突然过度放电引起的,严重时可导致病人失去理智或意识、运动障碍、感觉、情绪或心理功能失调,给患者带来极大的痛苦,因此癫痫疾病的诊断检测研究对癫痫疾病的诊断治疗、改善癫痫患者的生活质量具有重要的实践意义。脑电图在癫痫诊断检测中起着重要指导作用。传统的癫痫发作诊断很大程度上依赖于医生对癫痫病人脑电图的人工观察判断,但随着脑电图记录数据量大幅度增加,人工视觉检测既耗时效率又低,同时繁重的工作及个人主观意识都会影响医生的判断力,进而影响病状检测结果的准确性。自动检测系统可以有效地辅助医生加快对癫痫疾病的检测与诊断。传统检测研究都是在癫痫脑电信号发作类样本与非发作类样本近似相等即平衡数据集状况下进行分类识别。但癫痫非发作期持续时间与发作期持续时间相比,发作时间持续非常短,即发作类与非发作类样本表现为极端不平衡,因此对癫痫疾病的检测研究可以将其看作是一种典型的不平衡分类问题。若采用传统平衡分类器对不平衡脑电数据进行分类识别,不可避免的会使分类结果向多数类即非发作类偏颇,而发作类容易被错误识别为非发作类。此外,脑电信号具有非平稳特性并且癫痫发作持续时间太短,不平衡分类方法应用于癫痫自动检测研究仍然是一项巨大的挑战。本文采用了一种基于EasyEnsemble学习的不平衡分类模型检测识别长脑电信号中的癫痫发作信号片段。由于脑电信号的非平稳性,采用离散小波变换分析处理原始脑电信号后提取一维均匀局部二值模式纹理特征及灰度共生矩阵特征表征脑电信号微结构信息。多个用于训练的相对较弱的支持向量机构成一个学习框架,欠采样算法将发作数据和非发作数据构成的不平衡训练数据集划分成多个平衡子训练集,每个子平衡数据集都用于训练各自的弱支持向量机分类器。最后这些弱支持向量机集成一个强分类器,以便于在极度不平衡的癫痫脑电信号中更有效的识别出癫痫发作信号。充分考虑到脑电信号的时间和频率因素的影响,最终的识别结果通过多级融合决策获取。本文提出的不平衡分类算法流程如下:首先,对原始脑电信号进行预处理,采用4秒的时间窗将长脑电信号分为信号片段,对信号片段进行离散小波分解并选取所需频率片段;然后在选取的频率片段上提取一维均匀局部二值模式纹理特征和灰度共生矩阵;接着对不平衡特征数据集采用欠采样技术将多数类分割后分别与少数类结合,学习训练多个弱分类器,然后弱分类器集成为一个强分类器;最后采用后处理技术对分类结果进行融合决策。在两个公共长脑电信号上对系统性能进行测试评估,在颅内脑电信号中基于片段的评估得到G-均值97.14%和基于事件的评价中敏感性为96.67%及错检率为0.86/h;在头皮脑电信号中基于片段的评估得到G-均值95.28%和基于事件的错检率0.81/h。同时与14种方法比较,证实该模型改进提高癫痫脑电信号分类检测结果,具有较好通用性。

关键词：发作检测不平衡分类 EasyEnsemble算法纹理特征局部二值模式

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于脑电特征纹理与SVM分类的癫痫发作检测研究

引用

电脑知识与技术 2019年第5Z期15卷 166-168页

作者：孙成法徐志萍山东师范大学物理与电子学院

癫痫发作诊断依靠人工检测既耗时效率又低并影响检测结果的准确性,自动检测系统可以有效地帮助医生加快检测与诊断。本文采用了一维均匀局部二值模式脑电特征纹理技术与支持向量机分类器对癫痫脑电信号进行自动检测识别。首先应用离散... 详细信息

癫痫发作诊断依靠人工检测既耗时效率又低并影响检测结果的准确性,自动检测系统可以有效地帮助医生加快检测与诊断。本文采用了一维均匀局部二值模式脑电特征纹理技术与支持向量机分类器对癫痫脑电信号进行自动检测识别。首先应用离散小波变换对原始脑电信号分解,然后在分解后的信号中提取一维均匀局部二值模式纹理特征。在提取的特征集中训练学习支持向量机分类器并进行检测识别。最后采用后处理多级融合技术对检测结果进行处理以提高准确率。该算法在公共脑电数据集上测试,在基于片段的评估上获取最高准确率为99.86%和平均敏感性为96.19%,并在基于事件的评估上获得平均敏感性95.31%,该方法可以对癫痫脑电信号有效分类识别。

关键词：发作检测支持向量机纹理特征局部二值模式

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于局部二元模式的多模态癫痫发作检测算法

基于局部二元模式的多模态癫痫发作检测算法

引用

信号处理在医疗2023学术年会

作者：魏珺吴端坡杭州电子科技大学通信工程学院

长期视频脑电目前仍是准确诊断和评估癫痫的黄金标准,但对于院外患者而言,它的成本高昂,使用场景有限,不适合用于长期监测。因此,使用可穿戴设备来实时监测患者癫痫发作显得尤为重要。本文对便携设备采集到的多模态数据展开研究并提出... 详细信息

长期视频脑电目前仍是准确诊断和评估癫痫的黄金标准,但对于院外患者而言,它的成本高昂,使用场景有限,不适合用于长期监测。因此,使用可穿戴设备来实时监测患者癫痫发作显得尤为重要。本文对便携设备采集到的多模态数据展开研究并提出了一种基于局部二元模式(Local binary pattern,LBP)的多模态癫痫发作检测算法。首先对信号进行预处理,然后进行LBP转换,再提取直方图特征,将计算得到的特征输入到随机森林(Random forest,RF)分类器中,最后对每个模态的分类结果进行加权融合。该算法对浙江大学医学院附属儿童医院使用腕带收集到的18例患者的加速度(Accelerometry,ACC)、陀螺仪(Gyroscope,GYR)、肌电(Electromyogram,EMG)、皮肤电(Electrodermal,EDA)数据进行5折交叉验证。实验结果表明,该算法的准确度、精密度、灵敏度和F1得分分别为86.71%、82.27%、93.58%和87.56%。

关键词：多模态信号发作检测局部二元模式机器学习

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

基于改变EoE片段和子片段的癫痫发作检测算法

基于改变EoE片段和子片段的癫痫发作检测算法

引用

信号处理在医疗2023学术年会

作者：毕月吴端坡杭州电子科技大学通信工程学院

West综合征是一种常见年龄依赖性严重神经系统疾病,严重威胁儿童智力和动作障碍,是一种顽固性的疾病。提出一种West综合征智能检测方法可以帮助医生进行有效判断。本文提出了一种改变熵熵算法(Entropy of Entropy,EoE)片段长度和子片段... 详细信息

West综合征是一种常见年龄依赖性严重神经系统疾病,严重威胁儿童智力和动作障碍,是一种顽固性的疾病。提出一种West综合征智能检测方法可以帮助医生进行有效判断。本文提出了一种改变熵熵算法(Entropy of Entropy,EoE)片段长度和子片段个数的婴儿痉挛症发作检测算法,用于对West综合征的发作期和发作间期进行准确的检测。将不同参数的EoE作为特征值,输入到K邻近(K-Nearest Neighbor,KNN)分类器中进行West综合征发作检测。该方法在浙江大学医学院儿童医院25例West综合征患者的数据集上进行10折交叉验证评价。实验结果表明,该算法的精密度、特异性、灵敏度和F1评分的平均值分别为97.36%,97.19%,97.54%和97.36%。

关键词：发作检测机器学习香农熵 EoE

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

基于深度卷积神经网络的癫痫脑电自动检测

引用

中国数字医学 2019年第1期14卷 9-13页

作者：韦晓燕周霖陈秋源陈子怡周毅中山大学中山医学院计算机中心中山大学数据科学与计算机学院中山大学附属第一医院神经内科

自动癫痫发作检测可以减少一般的诊断时间成本,并为癫痫患者提供有针对性的治疗。传统的癫痫检测算法需要人工筛选特定特征模式,并结合浅层机器学习进行识别,耗时耗力。而深度学习可以实现自动特征学习,在诸多领域取得显著成果。在文中... 详细信息

自动癫痫发作检测可以减少一般的诊断时间成本,并为癫痫患者提供有针对性的治疗。传统的癫痫检测算法需要人工筛选特定特征模式,并结合浅层机器学习进行识别,耗时耗力。而深度学习可以实现自动特征学习,在诸多领域取得显著成果。在文中提出基于深度学习的卷积神经网络模型来识别不同阶段的癫痫EEG数据。首先将全导联EEG数据构造成适合深度学习输入的二维图像模式。设置多层深度卷积神经网络对数据进行学习,完成不同癫痫EEG分期的分类。该方法在临床数据中的测试准确率均超过90%,其中实现灵敏度为92%,特异性90%,均远高于传统方法。研究实现了端到端的癫痫自动检测分类算法,为实现临床癫痫诊断提供新的选择。

关键词：深度学习发作检测癫痫分类

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：