基于CNN+Bi-LSTM和脑电信号的疼痛分类的研究
发布时间：2021-06-24 23:12
脑电图（Electroencephalogram, EEG）是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映,包含了大量的生理和病理信息。近年来,与疼痛相关脑电信号的研究是当前脑认知和临床治疗领域的研究热点和难点问题之一。文章使用卷积神经网络（Convolutional Neural Network,CNN）和循环神经网络（Recurrent Neural Network,RNN）结合的CNN+Bi-LSTM网络算法对疼痛和不痛的脑电信号进行二分类,准确率达到了97.1%,与此同时precision、recall、f1-score分别达到了97%、97%、97%。证明了两种网络结合对研究疼痛的脑电信号是可行的。
【文章来源】：大众科技. 2020,22(11)
【文章页数】：5 页
【部分图文】：
ICA算法重构后的脑电信号
-13-1数据预处理在复杂的环境中所采集的脑电信号（EEG）是由不同的信号源（等效源）产生的多路信号的混合信号。脑电信号受到心电、眼动、肌电以及工频等干扰。图1显示了常见脑电信号混入的伪迹成分[11]。虽然混入了多种干扰，本次的数据集采集的过程是在病人静息状态下，较多数的干扰来自工频和眼电的干扰。(a)心电伪迹，(b)眨眼伪迹，(c)眼动伪迹，(d)肌电伪迹，(e)脉搏伪迹，(f)工频干扰图1伪迹成分在脑电信号预处理阶段，采用了滤波和眼电图（EOG）来对伪影进行去除。采用1到47Hz的带通滤波器来去除工频干扰，以及使用国内外研究学者证明的有较好效果去除眼电伪迹的ICA算法[12-14]。借助EEGLAB自动识别EOG组件。EEGLAB是ArnaudDelorme和ScottMakeig[15]发明的基于Matlab的工具箱，它是用于EEG信号分析的非常有用的工具。信号预处理的流程图如图2所示。EEG原始数据通过EEGLABBasicFIR滤波器进行了1Hz～47Hz带通滤波。图3显示了1个通道了带通滤波前脑电图功率谱的，图4显示了1个通道带通滤波后的脑电图功率谱，采集数据的仪器是14个通道，14个通道的信号经过滤波后和单通道结果相似。然后，使用EEGLAB的runica函数通过ICA方法对14个通道的滤波后EEG数据进行分解，并获得14个独立的分量信号。图5显示了ICA算法重构后的脑电信号。图2信号预处理的流程图图3单通道带通滤波前脑电功率谱图4单通道带通滤波后脑电功率谱图5ICA算法重构后的脑电信号2算法人工神经网络：一般来说，人工神经网络有三层：输入层、隐藏层?
拧?(a)心电伪迹，(b)眨眼伪迹，(c)眼动伪迹，(d)肌电伪迹，(e)脉搏伪迹，(f)工频干扰图1伪迹成分在脑电信号预处理阶段，采用了滤波和眼电图（EOG）来对伪影进行去除。采用1到47Hz的带通滤波器来去除工频干扰，以及使用国内外研究学者证明的有较好效果去除眼电伪迹的ICA算法[12-14]。借助EEGLAB自动识别EOG组件。EEGLAB是ArnaudDelorme和ScottMakeig[15]发明的基于Matlab的工具箱，它是用于EEG信号分析的非常有用的工具。信号预处理的流程图如图2所示。EEG原始数据通过EEGLABBasicFIR滤波器进行了1Hz～47Hz带通滤波。图3显示了1个通道了带通滤波前脑电图功率谱的，图4显示了1个通道带通滤波后的脑电图功率谱，采集数据的仪器是14个通道，14个通道的信号经过滤波后和单通道结果相似。然后，使用EEGLAB的runica函数通过ICA方法对14个通道的滤波后EEG数据进行分解，并获得14个独立的分量信号。图5显示了ICA算法重构后的脑电信号。图2信号预处理的流程图图3单通道带通滤波前脑电功率谱图4单通道带通滤波后脑电功率谱图5ICA算法重构后的脑电信号2算法人工神经网络：一般来说，人工神经网络有三层：输入层、隐藏层和输出层。如图6所示，神经网络的概念是受到人脑复杂网络结构的启发[16]，神经网络是由一组被称为节点或神经元的连接单元组成的。就像大脑中的生物神经元一样，这些神经元整合输入信号，并将其传递给其他相连的神经元。神经元的输出服从前一层神经元的加权和。然而，神经网络模型容易产生平移和位移失真，从而导致分
【参考文献】：
硕士论文
[1]基于双通道时空特征深度学习的新生儿疼痛表情识别[D]. 耿惠惠.南京邮电大学 2019
[2]基于EEG的信号处理与疼痛识别研究[D]. 李冬.浙江大学 2019
[3]基于脑电信号分析客观评估慢性腰背痛患者的研究[D]. 赵颀.安徽医科大学 2018
[4]运动想象脑电信号的伪迹剔除算法及在线应用研究[D]. 杨秋红.昆明理工大学 2016
[5]脑电波信号的去伪迹研究[D]. 尹兵.南京邮电大学 2014
本文编号：3248002
【文章来源】：大众科技. 2020,22(11)
【文章页数】：5 页
【部分图文】：
ICA算法重构后的脑电信号
-13-1数据预处理在复杂的环境中所采集的脑电信号（EEG）是由不同的信号源（等效源）产生的多路信号的混合信号。脑电信号受到心电、眼动、肌电以及工频等干扰。图1显示了常见脑电信号混入的伪迹成分[11]。虽然混入了多种干扰，本次的数据集采集的过程是在病人静息状态下，较多数的干扰来自工频和眼电的干扰。(a)心电伪迹，(b)眨眼伪迹，(c)眼动伪迹，(d)肌电伪迹，(e)脉搏伪迹，(f)工频干扰图1伪迹成分在脑电信号预处理阶段，采用了滤波和眼电图（EOG）来对伪影进行去除。采用1到47Hz的带通滤波器来去除工频干扰，以及使用国内外研究学者证明的有较好效果去除眼电伪迹的ICA算法[12-14]。借助EEGLAB自动识别EOG组件。EEGLAB是ArnaudDelorme和ScottMakeig[15]发明的基于Matlab的工具箱，它是用于EEG信号分析的非常有用的工具。信号预处理的流程图如图2所示。EEG原始数据通过EEGLABBasicFIR滤波器进行了1Hz～47Hz带通滤波。图3显示了1个通道了带通滤波前脑电图功率谱的，图4显示了1个通道带通滤波后的脑电图功率谱，采集数据的仪器是14个通道，14个通道的信号经过滤波后和单通道结果相似。然后，使用EEGLAB的runica函数通过ICA方法对14个通道的滤波后EEG数据进行分解，并获得14个独立的分量信号。图5显示了ICA算法重构后的脑电信号。图2信号预处理的流程图图3单通道带通滤波前脑电功率谱图4单通道带通滤波后脑电功率谱图5ICA算法重构后的脑电信号2算法人工神经网络：一般来说，人工神经网络有三层：输入层、隐藏层?
拧?(a)心电伪迹，(b)眨眼伪迹，(c)眼动伪迹，(d)肌电伪迹，(e)脉搏伪迹，(f)工频干扰图1伪迹成分在脑电信号预处理阶段，采用了滤波和眼电图（EOG）来对伪影进行去除。采用1到47Hz的带通滤波器来去除工频干扰，以及使用国内外研究学者证明的有较好效果去除眼电伪迹的ICA算法[12-14]。借助EEGLAB自动识别EOG组件。EEGLAB是ArnaudDelorme和ScottMakeig[15]发明的基于Matlab的工具箱，它是用于EEG信号分析的非常有用的工具。信号预处理的流程图如图2所示。EEG原始数据通过EEGLABBasicFIR滤波器进行了1Hz～47Hz带通滤波。图3显示了1个通道了带通滤波前脑电图功率谱的，图4显示了1个通道带通滤波后的脑电图功率谱，采集数据的仪器是14个通道，14个通道的信号经过滤波后和单通道结果相似。然后，使用EEGLAB的runica函数通过ICA方法对14个通道的滤波后EEG数据进行分解，并获得14个独立的分量信号。图5显示了ICA算法重构后的脑电信号。图2信号预处理的流程图图3单通道带通滤波前脑电功率谱图4单通道带通滤波后脑电功率谱图5ICA算法重构后的脑电信号2算法人工神经网络：一般来说，人工神经网络有三层：输入层、隐藏层和输出层。如图6所示，神经网络的概念是受到人脑复杂网络结构的启发[16]，神经网络是由一组被称为节点或神经元的连接单元组成的。就像大脑中的生物神经元一样，这些神经元整合输入信号，并将其传递给其他相连的神经元。神经元的输出服从前一层神经元的加权和。然而，神经网络模型容易产生平移和位移失真，从而导致分
【参考文献】：
硕士论文
[1]基于双通道时空特征深度学习的新生儿疼痛表情识别[D]. 耿惠惠.南京邮电大学 2019
[2]基于EEG的信号处理与疼痛识别研究[D]. 李冬.浙江大学 2019
[3]基于脑电信号分析客观评估慢性腰背痛患者的研究[D]. 赵颀.安徽医科大学 2018
[4]运动想象脑电信号的伪迹剔除算法及在线应用研究[D]. 杨秋红.昆明理工大学 2016
[5]脑电波信号的去伪迹研究[D]. 尹兵.南京邮电大学 2014
本文编号：3248002
本文链接：https://www.wllwen.com/yixuelunwen/shenjingyixue/3248002.html
最近更新
教材专著
