基于EEMD和GA-SVM的精神分裂症MEG识别

来源：计算机技术与发展杂志2016年第08期北京时间：

作者：张学军;朱丽敏;黄丽亚;成谢锋

摘要：为了研究脑磁图(MEG)信号在识别精神分裂症方面的应用，文中提出了一种基于总体经验模态分解(EEMD)和希尔伯特( Hilbert)变换的识别方法。在对正常人和精神分裂症患者的脑磁信号进行预处理的基础上，通过EEMD方法将信号分解为一系列的固有模态函数( IMFs)，然后使用Hilbert变换求取固有模态函数的瞬时频率和振幅，由希尔伯特-黄幅度谱( HHS)和边际谱( MS)可以发现两类信号的差异；接着选取与原信号相关性较高的前9个IMF的瞬时频率和振幅归一化后计算 Hilbert加权频率；最后，利用经遗传算法( GA)优化的支持向量机( SVM)分类器进行分类，并与 k 近邻(KNN)分类器的结果进行对比，得到的分类精确度分别为95%和78.33%，验证了所提识别方法的有效性。

关键词：脑磁信号;总体经验模态分解;希尔伯特变换;遗传算法;支持向量机;k近邻