孙磊磊
- 作品数：5 被引量：11H指数：2
- 供职机构：大连理工大学更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：医药卫生自动化与计算机技术电子电信更多>>
- 基于AR模型和Lempel-Ziv复杂度的癫痫发作预报被引量：1
- 2012年
- 目的癫痫是由多种病因引起的慢性脑功能障碍综合征,及时的发作预报,对于建立新的治疗方法和改善患者的生活质量有着至关重要的作用。目前大部分脑电分析算法存在计算速度慢、适应性差等问题,无法满足癫痫脑电发作预报的要求。方法本文应用自回归模型对脑电信号进行特征提取,支持向量机(support vector machine,SVM)作脑电各个时期分类器,并与Lempel-Ziv复杂度分析计算相结合,准确识别发作前期,以实现癫痫的发作预报。结果应用弗莱堡大学数据对上述方法的有效性进行验证。仿真结果表明,该方法得到的发作漏检率、误报率较低,预报提前时间较长。结论将AR模型和Lempel-Ziv复杂度相结合,对癫痫发作预报的实现,有一定参考价值和意义。
- 韩敏曹占吉孙磊磊洪晓军
- 关键词：癫痫脑电信号自回归模型
- AP聚类算法研究及其在电子病历挖掘中的应用
- 大数据时代,如何从数据中获取知识是一个非常重要的研究课题,数据挖掘和知识发现是从数据处理到决策支持的关键步骤。基于代表点的聚类是一种有效的无监督学习方式,它可以从不含类别标签的数据中提取知识,目前已经在客户细分、社区发现...
- 孙磊磊
- 关键词：聚类算法电子病历数据挖掘
- 基于机器学习方法的脑电信号自动分类研究
- 脑电信号是人脑的生理电信号,可以反映大脑的生理功能和思维状态,在神经系统疾病诊断和脑-机接口等领域都得到了广泛的应用。传统的脑电信号分析方法主要以人工阅读法为主,已经不能满足现代脑电信号分析的需求。基于机器学习的脑电信号...
- 孙磊磊
- 关键词：脑电信号特征提取
- 文献传递
- 基于自回归模型和关联向量机的癫痫脑电信号自动分类被引量：3
- 2011年
- 癫痫脑电信号自动分类方法的研究具有重要意义。基于自回归模型和关联向量机,实现癫痫脑电信号的自动分类。采用自回归模型,进行脑电信号特征提取;通过引入主成分分析和线性判别分析两种特征变换方法,降低特征空间维数;采用关联向量机作为分类器,提高模型稀疏性并可以得到概率式输出。在对波恩大学癫痫研究中心脑电信号的分类中,所提出的方法最高准确率可以达到99.875%;在将特征空间维数降至原始维数的1/15时,分类准确率仍可达到99.500%;采用关联向量机作为分类器,模型稀疏性大幅提高,与支持向量机相比,同等条件下关联向量数仅为支持向量数的几十分之一。所提方法可以很好地应用于癫痫脑电信号的自动分类。
- 韩敏孙磊磊洪晓军韩杰
- 关键词：癫痫自回归模型主成分分析线性判别分析关联向量机
- 基于回声状态网络的脑电信号特征提取被引量：2
- 2012年
- 在脑电(EEG)信号自动检测和分类的研究中,EEG信号的特征提取至关重要。本文分析了目前主要EEG信号特征提取方法的优缺点,并提出了一种基于回声状态网络(ESN)的EEG信号特征提取方法。该方法可以实现EEG信号的非线性特征提取,并且其特征提取过程是近似可逆的,因而在特征提取过程中损失的信息较少。该方法在EEG信号特征提取过程中,主要计算量是求解状态矩阵的伪逆,计算简单高效。在对波恩大学癫痫研究所的EEG数据库进行多类别分类的实验中,本文所提出的EEG信号特征提取方法展现出了良好的性能。
- 韩敏孙磊磊洪晓军
- 关键词：癫痫脑电信号特征提取回声状态网络
