小波系数融合提升小鼠癫痫脑电自动分类效率

该论文研究主要关注的是基于小波系数特征融合的小鼠癫痫脑电自动分类方法。研究者通过采集癫痫小鼠模型在正常状态和癫痫发作时的脑电信号，针对这些信号进行了噪声和伪迹消除预处理，以提高数据质量。接下来，他们采用小波变换技术对处理后的信号进行分析，将脑电信号分解为不同频率的子带，获取每个子带的小波系数。 在特征提取阶段，研究人员针对与癫痫特征波相关的小波系数，分别提取了线性特征（如标准差）和非线性特征（如样本熵）。标准差衡量了信号的波动程度，反映了信号的稳定性，而样本熵则可以揭示信号的复杂性和随机性。这两种特征分别代表了脑电活动的不同侧面，有助于捕捉癫痫信号的模式。 实验结果显示，单独使用小鼠脑电本身的线性特征（标准差）和非线性特征（样本熵）进行分类，正确率分别为59.10%和58.00%，表明这些特征有一定区分能力，但效果有限。然而，当将各相关小波系数的这些特征融合在一起时，分类正确率显著提升，分别达到了86.60%和88.60%，显示出特征融合的优势。 最终，将所有相关小波系数的线性和非线性特征融合起来，分类正确率高达99.80%，这证明了小波系数特征融合的高效性和准确性，能够有效地实现小鼠癫痫脑电的自动分类。这一结果对于理解和预测癫痫发作具有重要的临床价值，也为未来癫痫诊断和治疗提供了新的科学依据和技术手段。 该研究不仅展示了小波变换在脑电信号处理中的应用，还强调了特征融合在提高分类精度方面的关键作用。此外，它为利用机器学习方法在医疗领域特别是神经科学领域中的癫痫研究提供了一种创新的方法论，有助于推动相关领域的技术进步。