基于迁移学习的癫痫发作预测方法

作者：樊轲

来源：电子设计工程, 2022, 30(12): 27-37.

DOI：10.14022/j.issn1674-6236.2022.12.006

• 癫痫
• 发作预测
• 迁移学习
• 样本熵

由于脑电信号因人而异，传统的机器学习方法很难适用于每一个患者。为了解决上述问题，文中提出一种基于迁移学习的癫痫发作预测方法。以波士顿儿童医院癫痫脑电数据集作为实验数据，以6组不同频率区间的带通滤波作为预处理方法，用样本熵作为分类特征。使用迁移学习后的VGG19网络作为分类器来识别发作期的癫痫脑电信号。该方法的最长预测时间为41.30 min，平均预测时间为23.82 min，最高预测准确率为93%，平均预测准确率为86.4%。最低误报率为22%，平均误报率为34%。实验结果表明，该方法可很好地用于癫痫发作的预测。

• 单位
  西安工程大学