利用脑电图信号的熵测度和嵌入参数诊断癫痫
信号处理
2025-07-10 v2
摘要
癫痫是一种影响正常神经活动的神经系统疾病。这些电活动可以记录为包含大脑信息的信号，称为脑电图（EEG）信号。个人对EEG信号进行分析以诊断癫痫是主观且耗时的。因此，需要一种具有高检测精度的自动分类系统来克服可能的错误。在本研究中，对EEG信号应用了离散小波变换。然后提取了熵测度和嵌入参数。对这些特征进行了单独研究，以找到最具区分性的特征。通过统计分析评估了每个特征的显著性水平。最后，采用LDA和SVM算法对EEG信号进行分类。结果表明，嵌入参数、排列熵、模糊熵、样本熵、范数熵、Sure熵、对数熵和阈值熵等特征具有显著区分癫痫患者与健康受试者的潜力。此外，SVM分类器取得了最高的分类精度。在本研究中，我们找到了有效的基于嵌入和基于熵的特征，作为识别异常活动的适当单一测度，能够有效区分癫痫患者与健康个体的EEG信号。根据结果，它们可用于自动分类难以通过视觉检查的癫痫EEG信号。
引用
@article{arxiv.2401.07258,
title = {Diagnosing epilepsy using entropy measures and embedding parameters of EEG signals},
author = {Fatemeh Valipour and Zahra Valipour and Mani Garousi and Ali Khadem},
journal= {arXiv preprint arXiv:2401.07258},
year = {2025}
}