Die automatische Erkennung und Identifizierung von Elektroenzephalogramm Wellen spielen eine wichtige Rolle bei der Vorhersage , Diagnose und Behandlung von epileptischen Anfällen .
Leider ist in früheren Experimenten , Trainingsdaten und Testdaten von Elektroenzephalogramm Signale werden oft von den gleichen Fällen , die die klinische Anwendbarkeit der Klassifizierer beeinflussen können abgeleitet .
Zhen Zhang und Kollegen aus Zhongshan School of Medicine, kombiniert Sun Yat-sen -Universität eine nichtlineare Dynamik Index -approximate Entropie mit einer Support-Vektor- Maschine, die starke Verallgemeinerung Fähigkeit, Elektroenzephalogramm Signale an epileptischen interiktalen und iktale Perioden klassifiziert hat . Die Forscher überprüft auch, ob ungefähre Entropiewellen effektiv auf die automatische Echtzeit-Erkennung von angewendet werden Epilepsie im Elektroenzephalogramm und seine Verallgemeinerung Fähigkeit als Klassifikator trainiert mit einer nichtlinearen Dynamik -Index zu erkunden.
Ihre Ergebnisse zeigen, dass eine nichtlineare Dynamik Index trainierten Klassifikators kann effektiv zu identifizieren epileptische EEG -Signale , und hat eine gute Verallgemeinerung Fähigkeit . Dieses kombinierte System ist einfach und schnell ausgeführt , die eine bestimmte Bedeutung für die Entwicklung der klinischen Echtzeitsysteme für die Erkennung und Identifizierung von Epilepsie und Schaffung einer neuen Diagnose und Behandlungssystem Epilepsie . Diese Ergebnisse sind in der neuronalen Regeneration Forschung ( Vol. 8 , No. 20 , 2013) veröffentlicht .