基于深度网络迁移学习的致痫区脑电识别
发布时间：2022-01-08 18:29
致痫区脑电识别能够为癫痫外科手术提供重要的参考价值。提出了一种基于深度网络迁移学习的致痫区脑电识别算法。首先利用连续小波变换（CWT）对脑电信号进行时频分析,获得脑电信号时频图;然后迁移学习AlexNet网络模型,调整网络结构使之适应于致痫区脑电识别,将模型第7层全连接层输出作为脑电信号时频图的特征表示,最后利用支持向量机（SVM）、BP神经网络、长短期记忆网络（LSTM）、基于稀疏表达分类算法（SRC）、线性判别分析（LDA）等分类算法进行特征分类。基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果,得到SVM算法的平均特异性为88.81%,灵敏度为88.07%,准确率为88.44%,证明了该方法识别致痫区脑电信号的有效性。
【文章来源】：仪器仪表学报. 2020,41(05)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
CWT生成的RGB时频图像
本文提出了基于深度网络迁移学习的致痫区脑电识别算法。采用基于模型迁移学习的方法迁移学习预先训练好的深度卷积网络模型,然后通过调整网络的结构,添加自适应层对源域和目标域进行适配,使之适应于致痫区脑电识别,将训练好的迁移网络作为特征提取器。迁移学习深度网络流程如图2所示。经典浅层神经网络一般只含有3个层:输入层、单隐藏层和输出层。这是因为经典的学习方法很难收敛深层网络结构[21]。它们经常陷入梯度消失问题,这意味着随着迭代次数的增加,梯度值趋于0,网络中的参数难以更新[22]。CNN通过增加卷积层,使得模型的性能优于浅层神经网络。
CNN是一种通过观察生物过程模拟人脑不同层次功能的深度学习神经网络[23]。在图像处理中CNN是一种非常有效的算法[24]。CNN有不同的架构,如Le-Net、Alex-Net、Google-Net、Convo-Net、Res-Net等[25]。AlexNet架构相比于其他架构在处理复杂性方面具有更好的计算能力。其网络结构模型如图3所示。AlexNet是一种拥有6 000万个参数和65万个神经元的深度网络模型,包括5层卷积层(convolution layer, conv),3层全连接网络层(fully connected layer, FC),最终的输出层是1 000通道的softmax层[26]。为了训练这些参数Krizhevsky对AlexNet做了一些改进[27]。
【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]基于深度迁移学习的复杂环境下油气管道周界入侵事件识别[J]. 温江涛,王涛,孙洁娣,付磊,李刚,杨文明. 仪器仪表学报. 2019(08)
[3]基于BP神经网络的超声表面波定量表征金属表层裂纹深度研究[J]. 董珍一,林莉,孙旭,马志远. 仪器仪表学报. 2019(08)
[4]基于卷积神经网络的汉字编码标记点检测识别[J]. 陶聪,施云,张丽艳. 仪器仪表学报. 2019(08)
[5]Gear Transmission Fault Classification using Deep Neural Networks and Classifier Level Sensor Fusion[J]. Min XIA,Clarence W.DE SILVA. Instrumentation. 2019(02)
[6]An improved Machine Learning Approach to Classify Sleep Stages and Apnea Events[J]. Swapna PREMASIRI,Jayasanka RANAWEERA,Lalith B.GAMAGE,Clarence W.DE SILVA. Instrumentation. 2019(02)
[7]Short-Term Relay Quality Prediction Algorithm Based on Long and Short-Term Memory[J]. XUE Wendong,CHAI Yuan,LI Qigan,HONG Yongqiang,ZHENG Gaofeng. Instrumentation. 2018(04)
本文编号：3577062
【文章来源】：仪器仪表学报. 2020,41(05)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
CWT生成的RGB时频图像
本文提出了基于深度网络迁移学习的致痫区脑电识别算法。采用基于模型迁移学习的方法迁移学习预先训练好的深度卷积网络模型,然后通过调整网络的结构,添加自适应层对源域和目标域进行适配,使之适应于致痫区脑电识别,将训练好的迁移网络作为特征提取器。迁移学习深度网络流程如图2所示。经典浅层神经网络一般只含有3个层:输入层、单隐藏层和输出层。这是因为经典的学习方法很难收敛深层网络结构[21]。它们经常陷入梯度消失问题,这意味着随着迭代次数的增加,梯度值趋于0,网络中的参数难以更新[22]。CNN通过增加卷积层,使得模型的性能优于浅层神经网络。
CNN是一种通过观察生物过程模拟人脑不同层次功能的深度学习神经网络[23]。在图像处理中CNN是一种非常有效的算法[24]。CNN有不同的架构,如Le-Net、Alex-Net、Google-Net、Convo-Net、Res-Net等[25]。AlexNet架构相比于其他架构在处理复杂性方面具有更好的计算能力。其网络结构模型如图3所示。AlexNet是一种拥有6 000万个参数和65万个神经元的深度网络模型,包括5层卷积层(convolution layer, conv),3层全连接网络层(fully connected layer, FC),最终的输出层是1 000通道的softmax层[26]。为了训练这些参数Krizhevsky对AlexNet做了一些改进[27]。
【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]基于深度迁移学习的复杂环境下油气管道周界入侵事件识别[J]. 温江涛,王涛,孙洁娣,付磊,李刚,杨文明. 仪器仪表学报. 2019(08)
[3]基于BP神经网络的超声表面波定量表征金属表层裂纹深度研究[J]. 董珍一,林莉,孙旭,马志远. 仪器仪表学报. 2019(08)
[4]基于卷积神经网络的汉字编码标记点检测识别[J]. 陶聪,施云,张丽艳. 仪器仪表学报. 2019(08)
[5]Gear Transmission Fault Classification using Deep Neural Networks and Classifier Level Sensor Fusion[J]. Min XIA,Clarence W.DE SILVA. Instrumentation. 2019(02)
[6]An improved Machine Learning Approach to Classify Sleep Stages and Apnea Events[J]. Swapna PREMASIRI,Jayasanka RANAWEERA,Lalith B.GAMAGE,Clarence W.DE SILVA. Instrumentation. 2019(02)
[7]Short-Term Relay Quality Prediction Algorithm Based on Long and Short-Term Memory[J]. XUE Wendong,CHAI Yuan,LI Qigan,HONG Yongqiang,ZHENG Gaofeng. Instrumentation. 2018(04)
本文编号：3577062
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3577062.html
