结合深度学习与迁移学习的致痫区脑电识别研究

发布时间：2021-10-02 00:29

　　癫痫作为一种常见的神经系统疾病,发作时可导致病人失去意识、产生运动障碍、生理失调等症状,对患者造成极大的伤害。据世界卫生组织统计的数据显示:全球大约有5千万人患有癫痫疾病。其中耐药局灶性癫痫患者占总患者人数的三分之一左右。手术治疗是耐药局灶性癫痫患者获得完全癫痫发作自由的最佳选择。而致痫区定位技术在手术治疗过程中占有重要地位。然而,传统的人工分析脑电图的方法不仅耗费时间长而且容易受到个人主观意识的影响,导致无法正确定位致痫区。因此,寻找一种高效而准确的计算机自动识别脑电技术是很有必要的。本文提出了结合深度学习和迁移学习识别致痫区脑电信号的方法,首先对原始致痫区脑电信号进行时频分析,然后迁移学习AlexNet及GoogleNet网络模型,利用包含两个节点的全连接层,softmax层和最终分类层替换AlexNet网络模型的最后三层,并用迁移学习AlexNet网络的第七层全连接层输出作为脑电信号时频图的特征表示。用NewDropout层、包含两个节点的全连接层、softmax层和分类层替换GoogleNet网络模型的最后三层,将迁移学习GoogleNet模型的NewDropout层输出作为时... 

【文章来源】：山东师范大学山东省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

实验流程图

山东师范大学硕士学位论文13在Bern-Barcelona脑电数据库中以每20秒片段为一个样本建立时频表示。首先建立滤波器组，然后对滤波器进行归一化，使所有通带的峰值幅度近似等于2。滤波器组是为具有10240个样本点的信号设计的。使用Morlet小波作为分析小波。默认尺度为大约每个八度48个小波的带通滤波器。利用滤波器组提取信号的前1024个点的连续小波变换，并从系数中获取散射图，生成RGB时频图像，为了满足AlexNet网络的输入要求,图像大小被定义为227*227*3。如图2-1所示。在UBonn数据库中以每23.6秒片段为一个样本建立时频表示。在建立滤波器组时，使所有通带的峰值幅度近似等于2。滤波器组是为具有4097个样本点的脑电信号设计的。使用Morlet小波作为分析小波。默认尺度为大约每个八度32个小波的带通滤波器。利用滤波器组提取信号的前4097个点的连续小波变换，并从系数中获取散射图，生成RGB时频图像，图像大小被定义为227*227*3。如图2-2所示。图2-1Bern-Barcelona脑电数据库利用连续小波变换生成的RGB时频图

山东师范大学硕士学位论文14图2-2UBonn脑电数据库利用连续小波变换生成的RGB时频图2.3本章小结本章主要介绍了癫痫脑电信号的预处理方法，本文主要采用连续小波变换对脑电信号进行时频分析处理，目的是将原始的一维时序脑电信号进行时域和频域上的映射，获得同时包含时域和频域信息的时频图。首先对小波变换做了简要介绍，接着介绍了基于两个不同实验数据库的预处理过程。

【参考文献】：
期刊论文
[1]基于深度迁移学习的大雾等级智能认知方法研究[J]. 李帷韬,韩慧慧,焦点,汤健,丁美双.  电子测量与仪器学报. 2020(02)
[2]基于非平衡数据的癫痫发作预警模型研究[J]. 吴庆忠,车峰远,薛付忠.  山东大学学报(医学版). 2012(02)

博士论文
[1]基于小波变换的癫痫脑电信号分析[D]. 陈多.东南大学 2017

硕士论文
[1]基于整体经验模态分解和随机森林的癫痫脑电信号识别算法研究[D]. 吕思奇.长春工业大学 2018
[2]基于广义S变换和随机森林算法的癫痫脑电信号特征提取与分类研究[D]. 王宇桥.吉林大学 2018



本文编号：3417643