School of Science and Technology The Open University of Hong Kong Hong Kong China;
empirical mode decomposition; EMD; mode mixing; masking signal; EEMD; M-EMD; EEG;
机译:基于CEEMDAN的新的加权预测模型:分解和非分解方法的实验研究
机译:使用布谷鸟搜索优化,经验模式分解和ARIMA模型进行软件可靠性预测:基于CS-EEMD-ARIMA的SRGM
机译:在贝宁共和国(西非)和分形方法评估整体经验模型分解(EEMD)和分形方法的非线性动力学和趋势
机译:EEG,EEMD和M-EMD脑电图分解模式混合的比较研究
机译:Charleston,SC的非静止,非线性环境长和短期时间序列数据的EEMD方法,具有2009年洪水异常案例研究
机译:脑电源定位和经验模态分解分解振荡性脑活动。
机译:EEG信号在EMD域S. S. Shafiul Alam,S中的非线性动力学使用非线性动力学。 M. Shafiul Alam,Aurangozeb和Syed Tarekshahriar摘要 - 基于EMD Chaos的方法,提出了对应于健康人的EEG信号,癫痫发作期间的癫痫患者和Seizureattacks。脑电图(EEG)首先被凭经上分解为内在模式功能(IMF)。这些IMF的非线性动力学在最大范围的指数(LLE)和相关尺寸(CD)方面是量化的。本域中的混沌分析应用于与健康人相对应的大型脑电图(Asepileptic患者)(两者都有癫痫发作)。因此,所获得的LLE和CD表展的价值可以从EMD领域的其他EEG信号中清晰地区分脑电图的表达展示。本拟议的方法可以帮助研究人员以预测癫痫发作的癫痫发作技术。索引术语 - 脑电图(EEG),仿真态分解(EMD),最大的Lyapunov指数(LLE),相关维度(CD),癫痫发作。作者与电气电子和电子工程公司,孟加拉国工程和技术大学,孟加拉国达卡 - 1000(电子邮件:imamul@eee.buet.ac.bd)pdf cite:s. m. shafiul Alam,s。 M. Shafiul Alam,Aurangozeb和Syed Tarek Shahriar,“EEG信号歧视在EMD领域的非线性动态,”计算机电气工程卷国际杂志。 4,不。 3,pp。326-330,2012,上一篇论文对情绪的看法,使用建设性的学习言论下一篇论文物理层障碍意识到OVPN连接选择机制版权所有©2008-2013。国际计算机科学与信息技术协会出版社(IACSIT Press)