Electrical and Computer Engineering Department at the University of Maryland-College Park;
US Food and Drug Administration, Center for Devices and Radiological Health, Office of Science and Engineering Laboratories, Division of Biomedical Physics;
Department of Health and Human Services;
Electroencephalography; Medical diagnostic imaging; Sociology; Statistics; Entropy; Feature extraction; Public healthcare;
机译:用于性别识别的语音数据集的特征选择和分类:机器学习方法
机译:大型临床数据集中的脑电图中的深度学习和特征的药物分类
机译:支持向量机分类的单通道脑电图(EEG)脑计算机接口(BCI)特征提取和量化方法
机译:学习EEG:在大型临床数据集中识别新型脑电图分类和基线特征的可变性
机译:用于大型数据集学习的参数敏感特征选择
机译:仅使用放射科医生量化的图像特征作为统计学习算法的输入的肺结节恶性分类:使用两种统计学习方法探查肺图像数据库联盟数据集
机译:EEG信号在EMD域S. S. Shafiul Alam,S中的非线性动力学使用非线性动力学。 M. Shafiul Alam,Aurangozeb和Syed Tarekshahriar摘要 - 基于EMD Chaos的方法,提出了对应于健康人的EEG信号,癫痫发作期间的癫痫患者和Seizureattacks。脑电图(EEG)首先被凭经上分解为内在模式功能(IMF)。这些IMF的非线性动力学在最大范围的指数(LLE)和相关尺寸(CD)方面是量化的。本域中的混沌分析应用于与健康人相对应的大型脑电图(Asepileptic患者)(两者都有癫痫发作)。因此,所获得的LLE和CD表展的价值可以从EMD领域的其他EEG信号中清晰地区分脑电图的表达展示。本拟议的方法可以帮助研究人员以预测癫痫发作的癫痫发作技术。索引术语 - 脑电图(EEG),仿真态分解(EMD),最大的Lyapunov指数(LLE),相关维度(CD),癫痫发作。作者与电气电子和电子工程公司,孟加拉国工程和技术大学,孟加拉国达卡 - 1000(电子邮件:imamul@eee.buet.ac.bd)pdf cite:s. m. shafiul Alam,s。 M. Shafiul Alam,Aurangozeb和Syed Tarek Shahriar,“EEG信号歧视在EMD领域的非线性动态,”计算机电气工程卷国际杂志。 4,不。 3,pp。326-330,2012,上一篇论文对情绪的看法,使用建设性的学习言论下一篇论文物理层障碍意识到OVPN连接选择机制版权所有©2008-2013。国际计算机科学与信息技术协会出版社(IACSIT Press)