基于层次图卷积神经网络的EEG癫痫检测

发布时间：2021-11-25 10:23

　　头皮脑电波信号在癫痫诊断中的应用已经得到了深入的研究和发展。然而,以往的研究很少将建模的关注点放在癫痫的物理表现上,同时忽略了脑电波信号中存在的图结构信息。当癫痫发作时,癫痫灶附近的安置在头皮上的电极会出现明显且一致的电压变化,因此如何对相邻的电极进行卷积并提取高层次特征是工作的关键。论文提出了一种基于层次图卷积神经网络结构的癫痫检测方法,从原始脑电信号中提取多个时域和频域特征作为层次图卷积神经网络的输入,层次图卷积神经网络再通过头皮上电极之间的位置关系提取高层次的区域特征,同时对纵横两种电极间的相邻关系分别处理,从而完成对多种分类任务的预测。另一方面,论文提出了一种树形分类方法以提高模型在多种分类任务下的稳健性。论文在波士顿儿童医院CHB-MIT数据集和坦普尔大学医院TUH数据集上进行了多项验证实验。在CHB-MIT数据集中,论文的模型在癫痫发作5分类任务中的准确率比现有最优模型提高了5.77%,在TUH数据集中,论文的模型在癫痫发作2分类任务中的灵敏度和特异度比现有最优模型提高了2.43%和19.70%。 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：85 页

【学位级别】：硕士

【部分图文】：

卷积运算示意图

浙江大学硕士学位论文基础方法21a-σσTanhσXX+XTanhCt-1ht-1ftitCtxtothtCtht图2.7LSTM循环细胞示意图输入门的设计由两部分构成。通过当前时间步的两部分输入和估计接收多少输入信息，再将输入和转化为候选状态。如图2.8所示σσXX+XTanhCt-1ht-1ftothtCtσTanhitCtxtht图2.8LSTM输入门示意图有公式如下：=([,]+)(2.14)=tanh([,]+)(2.15)遗忘门用于估计遗忘多少上一个时间步1的状态。其估计的依据也是当前时间步的两部分输入和。如图2.9所示

浙江大学硕士学位论文基础方法21a-σσTanhσXX+XTanhCt-1ht-1ftitCtxtothtCtht图2.7LSTM循环细胞示意图输入门的设计由两部分构成。通过当前时间步的两部分输入和估计接收多少输入信息，再将输入和转化为候选状态。如图2.8所示σσXX+XTanhCt-1ht-1ftothtCtσTanhitCtxtht图2.8LSTM输入门示意图有公式如下：=([,]+)(2.14)=tanh([,]+)(2.15)遗忘门用于估计遗忘多少上一个时间步1的状态。其估计的依据也是当前时间步的两部分输入和。如图2.9所示


本文编号：3517945