面向癫痫脑电的简化深度学习模型

发布时间：2021-05-20 00:10

　　针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析;利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节;增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高;前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声;所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。 

【文章来源】：国防科技大学学报. 2020,42(06)北大核心EICSCD

【文章页数】：6 页

【文章目录】：
1 面向癫痫脑电的简化深度学习模型
    1.1 面向癫痫脑电的一维卷积神经网络
        1.1.1 模型结构
        1.1.2 算法设计
    1.2 模型参数设计
2 性能分析
    2.1 数据集
    2.2 基于数据预处理的EEG识别
        2.2.1 基于EMD数据预处理的识别框架
        2.2.2 实验结果
    2.3 基于深度学习的EEG识别
        2.3.1 基于原始数据的识别框架
        2.3.2 实验结果
    2.4 对比实验
        2.4.1 对比方法
        2.4.2 实验结果
3 结论


【参考文献】：
期刊论文
[1]基于HHT和CSSD的多域融合自适应脑电特征提取方法[J]. 李明爱,崔燕,杨金福,郝冬梅.  电子学报. 2013(12)
[2]中国癫痫流行病学调查研究进展[J]. 常琳,王小姗.  国际神经病学神经外科学杂志. 2012(02)

博士论文
[1]EMD算法研究及其在信号去噪中的应用[D]. 王婷.哈尔滨工程大学 2010

硕士论文
[1]基于同步的癫痫脑电识别研究[D]. 魏建好.湖南师范大学 2017



本文编号：3196697