机译:基于小波分析和算术编码的新颖方法,用于使用机器学习技术自动检测和诊断脑电信号中的癫痫发作
Univ Teknol Petronas CISIR Dept Elect & Elect Engn Bandar Seri Iskandar 32610 Perak Malaysia;
Electroencephalography (EEG); Epileptic seizure; Discrete wavelet transform (DWT); Arithmetic coding; Machine learning classifiers; Computer-aided diagnostic;
机译:使用机器学习技术和先进的预处理方法对EEG信号进行癫痫发作检测
机译:自动癫痫癫痫发作波形检测方法,基于使用隐马尔可夫模型和脑电图信号的小波系数计数的平均斜率的特征
机译:使用机器学习技术检测EEG信号中的癫痫发作
机译:基于脑电信号小波分析的癫痫发作机器学习方法
机译:从颅内脑电图信号检测癫痫患者的癫痫发作。
机译:基于双树复小波变换和机器学习算法的脑电图癫痫发作检测与分类
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)