.png){kind=icon}
返回
Epileptic spasm recognition: EEG classification using time–frequency features and machine learning
.png){kind=icon}
OA
AI
DOI：10.1186/s12938-025-01483-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
癫痫痉挛（ES），其特征为突然的肌肉收缩和意识丧失，在早期诊断和治疗方面构成重大挑战，尤其是在婴儿和幼儿中。尽管基于脑电图（EEG）的癫痫发作检测取得了进展，但由于癫痫模式的变异性，ES的自动分类仍然是一项复杂任务。本研究提出了一种基于临床收集数据的ES EEG分类方法，利用从EEG信号中提取的时频域特征和机器学习模型。共提取了54个时频特征，并采用三种机器学习算法——随机森林（RF）、K近邻（KNN）和支撑向量机（SVM）——对癫痫发作进行分类。结果表明，在较少特征使用时，RF模型实现了81.18%的最高分类准确率，而KNN在较大特征集时表现出性能提升。本研究强调了结合时频特征与机器学习进行准确癫痫分类的潜力，为ES的自动化监测和诊断提供了有前景的工具。需要进一步研究以优化特征提取方法并提高模型在临床应用中的稳健性。
Keyword:
Epileptic spasm
EEG classification
Time–frequency features
Machine learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.2
论文数:
306
被引数:
5.5K
机构
引用论文
Automated epileptic seizure detection using improved correlation-based feature selection with random forest classifier.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Detection of epileptic electroencephalogram based on Permutation Entropy and Support Vector Machines基于排列熵和支持向量机的癫痫脑电检测
PREAI
分享收藏
分享收藏分享收藏
查看更多内容