.png){kind=icon}
返回
An improved multi-scale feature extraction method for nonlinear signals
.png){kind=icon}
PRE
AI
DOI：10.1063/5.0266937.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种用于分析脑电图（EEG）和心电图（ECG）信号的创新多尺度特征提取方法。该方法利用源自Cahn-Hilliard（CH）相场方程的能量泛函进行特征提取，旨在提高分类精度。为验证其有效性，我们将提取的特征与支持向量机（SVM）分类器相结合，构建了CH-SVM模型用于EEG和ECG分类。所提出的方法在EEG上达到97.14%的准确率，在ECG上达到92.65%的准确率。与传统的卷积神经网络（CNN）模型相比，该方法在计算成本上表现出显著降低。此外，与传统的多尺度特征提取方法——多重分形去趋势波动分析（MF-DFA）相比，所提出的方法将EEG分类准确率提高了5.84%，将ECG分类准确率提高了5.15%。这些结果突显了CH-SVM方法在生物医学信号分类中的优越性能，既提高了准确率又提升了计算效率。
Keyword:
EEG
CLASSIFICATION
TIME
DIAGNOSIS
期刊
C
IF:
3.2
论文数:
412
被引数:
1.5W
机构
暂无机构信息
引用论文
Effect of oxytocin injection on fetal heart rate based on multifractal analysis基于多重分形分析催产素注射对胎儿心率的影响
.png){kind=icon}
PREAI
分享收藏A microscopic theory for antiphase boundary motion and its application to antiphase domain coarsening反相边界运动的微观理论及其在反相域粗化中的应用
PREAI
分享收藏Asymmetric multifractal scaling behavior in the Chinese stock market: Based on asymmetric MF-DFA
PREAI
分享收藏
分享收藏
查看更多内容