文档介绍：第 28卷第 5期计算机应用与软件 Vol
2011年 puterApplicationsandSoftware May2011
基于 SVM 和小波分析的脑电信号分类方法
赵建林1,2 周卫东1 刘凯1 蔡冬梅1
1(山东大学信息科学与工程学院山东济南 250100)
2(河南商业高等专科学校计算机系河南郑州 450044)
摘要根据癫痫脑电信号与正常脑电信号波形和能量特征的不同,研究了两种的脑电信号分类方法,一种采用支持向量机
SVM(SupportVectorMachines)分类器对正常脑电和癫痫脑电进行分类;另一种使用小波分析和支持向量机相结合的方法对脑电进
行分类,并比较了这两种方法对正常脑电和癫痫脑电分类的正确率。实验结果表明,小波分析和 SVM结合的方法对脑电信号分类
可以取得更好的效果,能有效区分癫痫脑电和正常脑电。
关键词支持向量机小波分析脑电训练分类
EEGSIGNALCLASSIFICATIONMETHODBASEDONSVMANDWAVELETANALYSIS
ZhaoJianlin1,2 ZhouWeidong1 LiuKai1 CaiDongmei1
1(SchoolofInformationScienceandEngineering,ShandongUniversity,Jinan250100,Shandong,China)
2(puter,HenanBusinessCollege,Zhengzhou450044,Henan,China)
Abstract DuetothedifferencesofEEGsignalwaveformsandspatialenergycharacteristicsbetweenepilepsypatientsandhealthyperson,
(SupportVectorMachines)
classifier,

performanceinEEGsignalclassification,whichcaneffectivelydistinguishtheepilepticEEGandthenormalEEG.
Keywords SVM Waveletanalysis EEG Training Classification
络在应用时需要大量实验数据确定最优参数和网络结构,而实
0 引言际癫痫波形的变异较大,这种方法分析癫痫脑电的效果还有待
优化和提高[8];非线性动力学方法将大脑看作一个多维动态系
癫痫是一种常见的神经疾病,临床表现为发作性意识改变、统,通过 EEG时间序列来构建大脑的多维状态空间,大脑在癫
抽搐以及精神异常等,癫痫属于慢性疾病,反复发作,严重影响痫发