• 1. 河北大学 电子信息工程学院(河北保定 071000);
  • 2. 燕山大学 电气工程学院(河北秦皇岛 066004);
  • 3. 北京师范大学 认知神经科学与学习国家重点实验室(北京 100875);
导出 下载 收藏 扫码 引用

孤独症谱系障碍(ASD)儿童的早期诊断至关重要。脑电图(EEG)是最常用于神经成像的技术之一,其使用方便并且包含信息丰富。本文从 ASD 儿童和正常儿童的 EEG 信号中提取近似熵(ApEn)、样本熵(SaEn)、排序熵(PeEn)和小波熵(WaEn)四种熵特征,应用独立样本 t 检验分析组间差异,利用支持向量机(SVM)学习算法为不同脑区的每种熵测量建立分类模型,最后通过置换检验搜索优化子集,使 SVM 模型实现最佳性能。结果表明,与正常对照组相比,ASD 儿童脑电复杂度较低;在所有四种熵中,WaEn 的分类性能优于其他熵;分类效果在不同脑区表现出差异性,其中额叶区域表现最佳;最后经过特征选择,筛选出六个特征,建立分类模型,分类准确率最高提高到 84.55%。本研究结果可为孤独症的早期发现提供帮助。

引用本文: 赵杰, 丁萌, 佟祯, 韩俊霞, 李小俚, 康健楠. 基于熵算法的孤独症谱系障碍儿童脑电特征提取与分类. 生物医学工程学杂志, 2019, 36(2): 183-188, 198. doi: 10.7507/1001-5515.201709047 复制

  • 上一篇

    深部脑刺激期间神经元动态活动的光栅图描述方法
  • 下一篇

    基于深度残差卷积神经网络的心电信号心律不齐识别