基于神经网络的癫痫发作预测

发布时间：2021-04-19 02:40

　　癫痫是大脑神经元突发性异常放电,导致短暂性大脑功能障碍的一种慢性疾病。癫痫具有反复发作的特征,发作期间神经元发出异常的脑电脉冲导致大脑和身体行为失控,癫痫发作的不可预测性给癫痫患者的生理、心理和认知功能带来伤害。若能找到更有效的方法来预测癫痫发作,便能在患者实际发作之前发出预警并及时干预,从而最小化患者风险。目前对于癫痫的诊断多由经验丰富的医护人员视觉观察脑电波结合一些特征性的临床表现给出判断。首先,本文对癫痫发作预测方法的研究现状进行了深入的调查与总结归纳,明确了目前研究的最新进展和未来发展方向。详细介绍了基于传统方法、深度学习方法中的有监督学习、无监督学习和半监督学习方法的癫痫发作预测思路。其次,本文提出了一种基于生成对抗网络的癫痫发作预测方法。为了取得比传统方法更好的预测效果,本文使用深度学习方法来进行癫痫发作预测。由于深度学习方法依赖于大量训练数据,本文通过对抗生成方法解决脑电数据的采集难度大、数据量少的问题,使得深度学习方法能有效应用于癫痫发作预测任务。首先,将一维脑电信号转换成二维频谱特征图像;然后,通过对抗与生成算法对脑电特征进行学习与生成;最后,将脑电特征送入超限学习机... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

脑电实验基本流程图

北京工业大学工程硕士专业学位论文对抗网络模型引入了交互、对抗思想，这样就将未标注的数据数据(真实样本数据)，相应地，生成式对抗网络框架中生成模应看成假样本，由此看来，生成式对抗网络可以有效解决现实本较少而存在大量未标注数据样本的问题。利用对抗生成学习正确数据分布的数据来驱动深度学习方法取得更好的效果。生成对抗网络的癫痫发作预测模型提出使用神经网络方法来对癫痫脑电进行分类。为了使神经网络模痫脑电数据，本文提出一种基于深层对抗生成神经网络的癫痫础框架基本分为五部分分别为癫痫脑电信号获取、转换成频谱征提取与生成、基于 ELM 分类器的癫痫脑电特征分类、获得分如图 3-1 深层对抗生成神经网络的癫痫预测方法总流程所示

北京工业大学工程硕士专业学位论文解决初始化不当造成的梯度爆炸、消失、收敛速度慢等问题；有利于传每一层；防止生成器由于初始化不当把训练样本收敛到同一点；但并非可以使用 BatchNormalization 策略，这样会导致训练模型不收敛、lose。为防止这种现象的出现在生成器输出层和判别器的输入层摒弃使用 此外移除全连接层，使卷积层直接与生成器和判别器的输入输出层相连全局 pooling 操作，增加了模型的稳定性，但这种策略降低了模型训练速度。

【参考文献】：
期刊论文
[1]生成对抗网络模型综述[J]. 张营营.  电子设计工程. 2018(05)
[2]基于PCA多导联的癫痫脑电信号分类及致痫灶定位研究[J]. 李冬梅,尔西丁·买买提,杨日东,陈子怡,田翔华,董楠,张洋,周毅.  生物医学工程研究. 2017(03)
[3]庞加莱散点图的复相关度量在癫痫脑电特征提取中的应用[J]. 张译中,翟冠男,王瑨,钱景旭,野梅娜.  河南科技. 2017(17)
[4]非平衡数据处理方法在癫痫发作检测中的应用[J]. 野梅娜,李艳艳,杨陈军,张瑞.  西北大学学报(自然科学版). 2016(06)
[5]癫痫脑电的特征提取方法综述[J]. 张瑞,宋江玲,胡文凤.  西北大学学报(自然科学版). 2016(06)
[6]一种新的癫痫脑电融合特征提取方法[J]. 李艳艳,杨陈军,野梅娜,张瑞.  西北大学学报(自然科学版). 2016(06)
[7]基于改进混沌算子的癫痫前期预测研究[J]. 黄小娜,周佐,王鹏翔,张兆基,熊丽.  自动化与仪器仪表. 2016(02)
[8]基于Bayes判别法的脑电图数据分析的研究[J]. 史原,刘瑞杰.  价值工程. 2015(13)
[9]特征保持的马赛克图像生成方法[J]. 陈中贵,欧阳永昇,曹娟.  计算机辅助设计与图形学学报. 2014(04)
[10]近似熵与SVM在自动分类癫痫脑电信号中的应用[J]. 张振,杜守洪,陈子怡,田翔华,周毅,张洋.  生物医学工程研究. 2013(02)

博士论文
[1]癫痫脑电的分形分析及自动检测方法研究[D]. 张艳丽.山东大学 2016

硕士论文
[1]癫痫发作自动检测方法的研究[D]. 张新静.中国科学院研究生院(长春光学精密机械与物理研究所) 2014
[2]基于判别分析法的脑电图数据分析的研究[D]. 史原.大连交通大学 2008
[3]基于小波变换的脑电信号处理研究[D]. 孔繁伟.山东大学 2005



本文编号：3146665