• 1. 电子科技大学 电子科学与工程学院(成都 610054);
  • 2. 四川大学华西医院(成都 610041);
  • 3. 中国电科第二十九研究所(成都 610093);
导出 下载 收藏 扫码 引用

正确区分癫痫发作期(focal)与非发作期(non-focal)对癫痫治疗有着重要意义。本研究以颅内脑电信号(iEEG)作为研究对象,提出了一种基于双密度双树复小波变换(DD-DT CWT)的癫痫发作期自动检测算法。实验数据来自美国国家卫生研究所(NINDS)设立在Kaggle上的15 719个竞赛数据,处理后的数据库由55 023段发作期数据和501 990段非发作期数据组成,每段数据长1 s,包含174个采样点。首先对信号进行重采样;然后利用DD-DT CWT处理脑电信号,并从中提取小波熵、方差、能量和均值共四类特征;最后使用最小二乘支持向量机(LS-SVM)学习分类,并通过比较不同小波分解层数下的实验结果选取合适的分解层数。实验结果表明:所提取的四类特征在发作期与非发作期存在差异,八位患者中,采用3层分解时分类的平均准确率较高,达到91.98%,灵敏度为90.15%,特异性为93.81%。本文工作表明,我们提出的算法在癫痫患者脑电信号的二分类中有优良的性能,能够自动高效地检测出癫痫发作期。