一种能够对癫痫实时检测和识别的系统

　　自动探测和识别脑电癫痫波对于临床上预测癫痫发作和辅助医师诊断治疗具有非常重要的意义。在以往的癫痫脑电图数据分类实验中，训练数据和测试数据往往来源于同一病例的脑电图信号，此类实验并不能检测分类器的泛化能力，临床适用性较差。

        中山大学中山医学院张振所在课题组进行的一项关于 “Approximate entropy and support vector machines for electroencephalogram signal classification”的研究，将非线性动力学指标--近似熵与具有较强泛化能力的支持向量机相结合，对癫痫发作间歇期的脑电图信号和发作期脑电图信号进行类，通过分类结果来检验近似熵是否可有效运用于脑电癫痫波的自动实时探测，并验证由非线性动力学指标训练的分类器的泛化能力。结果验证了由非线性动力学指标训练的分类器能够有效的识别癫痫脑电图信号，具有良好的泛化能力。作者认为，此方法简单易行，程序运行快捷，对于开发临床上的癫痫实时检测和识别系统，建立新的癫痫诊断治疗系统有一定的意义。文章发表在《中国神经再生研究(英文版)》杂志2013年7月第20期。