基于SVM分类器的癫痫脑电时空特征提取方法的研究

作者：易芳吉; 钟丽莎; 李章勇

来源：重庆邮电大学学报(自然科学版), 2021, 1-7.

• 癫痫
• 颅内脑电（EEG）
• 时空特征
• 模糊熵
• 皮尔逊相关
• 支持向量机（SVM）

癫痫发作具有突发性和反复性，给患者的生命安全带来巨大隐患。为了给患者提供有效的预警，本文研究癫痫脑电时空特征提取方法。首先结合时间和空间两个维度，选取模糊熵和皮尔逊相关性作为特征参数，分别衡量时序信号复杂度和空间通道间的相关性。利用F-score筛选出最优特征组合，既增加了预测的准确率又去除冗余信息。最后利用支持向量机（support vector machine，SVM）分类器识别癫痫发作前期和发作间期的颅内脑电信号。为了验证该特征的预测效果，本文还进行了模糊熵或皮尔逊相关性单独作为特征参数的对比试验。实验结果表明：与单一特征相比，时空特征的预测效果更好，准确率高达91.26%，误报率仅为2.32%。该方法能有效的提取癫痫特征信息，为癫痫的临床预警提供新思路。

• 单位
  西南医科大学; 重庆邮电大学