在EMD/VMD分解方法上的非线性和混乱特征用于ictal EEG信号检测

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 计算生物学 计算生物学

背景情况:

• 对神经生理学家来说,发作的检测至关重要.
• 传统的方法通常直接从原始EEG信号中计算特征.
• 需要先进的信号分解技术来改善发作的检测.

研究的目的:

• 提出一种使用非线性和混乱特征检测发作的新方法.
• 从EEG信号中提取内在模式函数 (IMF),使用实证模式分解 (EMD) 和变化模式分解 (VMD).
• 为了评估对IMF计算的各种非线性特征的分类性能.

主要方法:

• 使用EMD和VMD获得IMF的EEG信号分解.
• 非线性和混乱特征的计算,包括Hjorth参数,Hurst指数,RQA,DFA,LLE,HFD和KFD在IMF上的计算.
• 使用k-近邻 (KNN) 和多层感知神经网络 (MLPNN) 分类器进行分类.
• 使用波恩EEG数据集进行验证.

主要成果:

• 在国际货币基金组织上计算的七个非线性和混乱特征进行了调查.
• 使用KNN和MLPNN分类器评估分类性能.
• 实现了高分类精度,在某些情况下高达100%,用于检测ictal EEG信号.
• 证明了结合最好的非线性特征的有效性.

结论:

• 拟议的方法通过分析IMF的非线性和混乱特征,有效地检测发作.
• 这种方法为发病检测护理单位的临床医生提供了一个有前途的工具.
• 该方法在对发作事件的分类方面提供了高可靠性.