基于卷积神经网络的脑电信号分析方法研究

发布时间：2020-06-19 08:47

【摘要】：社会压力越来越大,睡眠呼吸暂停综合症、睡眠呼吸障碍等睡眠障碍疾病不断增加,严重影响了人们的生活和生命健康。同时,此类疾病的隐藏期比较长,如果不进行长期监测一般难以发现,且一旦发病便很难治愈。因此,急需找到一种提前预防和诊断此类疾病的方法。研究表明睡眠分期能够为睡眠障碍疾病的诊断提供判定性的依据。这是因为睡眠障碍疾病患者的脑电波与正常人存在显著差异,两者各睡眠阶段的比例也有很大的不同,因此进行睡眠分期研究具有非常重要的临床意义和应用意义。传统的睡眠分期方法需要大量专业人员长时间手动提取脑电特征,这一过程不仅费时费力而且也带有研究人员强烈的主观意识。卷积神经网络(Convolutional neural network,CNN)的权值共享和局部感受野使得其能自动提取脑电特征信号特征,改变了传统脑电信号分析需要大量人力手动提取脑电特征的缺点。因此,论文从CNN角度出发探索脑电信号分析方法的新思路,论文的主要研究内容如下:(1)原始径向基神经网络(Radial Basis Function,RBF)在选择初始网络中心点时往往依赖研究人员的经验,此外,网络宽度经初始化设置后,便不再修改,两者容易导致网络的计算复杂度高。针对上述不足,论文设计了一种改进RBF神经网络,首先,引入了密度的思想进行初始中心点的选择,若样本点的密度越大,其最终作为分类中心点的几率越高,这样便可准确、高效地选择网络中心点。其次,使用“3?”法则的宽度代替最大网络宽度,有效地降低了算法的计算复杂度。该方法的睡眠分期准确度较原始RBF及其它方法有了明显的提升。(2)原始双谱分析存在特征均值化的不足,易导致分类特征区分度不明显。因此,论文设计了一种基于频域的改进双谱分析方法。先计算多个频道下每30秒脑电数据的双谱估计特征和频域范围,然后选择出现次数最高的频域范围,对其双谱估计特征进行均值计算。该方法不仅降低了算法的复杂度,而且提高了睡眠分期准确度。(3)CNN在提取脑电特征时容易受到数据分割大小的影响,若时间分割过短,则会导致特征不明确,反之,则容易引起特征模糊。针对上述不足,论文将细粒度分割原则与CNN相结合提出了一种改进CNN。首先,针对脑电信号设计了一个七层的CNN,它包含一个输出层,两对卷积层和降采样层,一个全连接层和一个输出层。其次,确定细粒度分割程度的大小k,即将当前的睡眠阶段和后续的k-1个睡眠阶段重新组合成新的脑电序列,然后将重新组合成的新脑电序列代入设计好的CNN,并根据睡眠分期准确度得出最合适的细粒度分割大小。该方法一方面解决了传统脑电信号分析的不足,另一方面,该方法的睡眠分期准确度较原始的CNN及其他方法有了明显的提升。实验结果表明以上三种方法均有效地提高了脑电信号分析效率,为睡眠障碍疾病的诊断提供了更有效的依据,也为脑电信号分析提供了一个崭新的思路。
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;TN911.7;R318
【图文】：

函数,隐层,输出层,激励函数

图 2-1 RBF 神经网络结构图般有一个输入层，多个隐层和一个输出层。其中，输入层负责接数据也可以是离散型数据[42]。隐层节点采用激励函数将输入与下传递给下一个隐层，直到最后的输出层。结构如图 2-2 所示。可以看出，相邻层的神经元之间是全连接的，并且每个神经元都拥有自己的激励函数，MLP 的激励函数与输出层和隐层都是非线性的，所以在选择激励函数时，需要选择id 函数，tanh 函数，ReLU 函数等等。MLP 可以应用于多分类，进行预测。

基于卷积神经网络的脑电信号分析方法研究

MLP结构

【相似文献】