CN111166328A - 基于多通道脑电数据和cnn-svm的癫痫脑电识别装置 - Google Patents
基于多通道脑电数据和cnn-svm的癫痫脑电识别装置 Download PDFInfo
- Publication number
- CN111166328A CN111166328A CN202010011303.9A CN202010011303A CN111166328A CN 111166328 A CN111166328 A CN 111166328A CN 202010011303 A CN202010011303 A CN 202010011303A CN 111166328 A CN111166328 A CN 111166328A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- model
- module
- svm
- cnn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于多通道脑电数据和CNN‑SVM的癫痫脑电识别装置,包括下列模块:预处理模块;特征提取模块,包括:卷积层:使用卷积层从脑电信号中提取特征,并选用ReLU函数作为激活函数;池化层:采用最大值池化的方式;丢失正则化:为防止过拟合,应用丢失正则化机制;模型构造模块,包括:基于SVM构造2分类模型;把特征提取模块提取到的特征作为数据集,构建训练集和测试集;使用Sigmoid函数作为核函数;模型训练模块。
Description
技术领域
本发明涉及一种癫痫脑电识别装置,属于CNN-SVM技术和医疗疾病诊断领域的融合。
背景技术
癫痫会影响所有年龄人群,是一种脑部慢性疾患。大概70%的患者通过服用抗癫痫药物能有效抑制癫痫的发作(不能根治),但其余患者在服用药物后却没有效果,而且长期服用抗癫痫药物还会有副作用。目前,在医学疾病诊断领域,癫痫的诊断是通过获得详细的病史,进行神经学检查以及诸如神经成像和EEG的辅助测试来进行的,也即神经科医生通过直接目视检查脑电图(EEG),以研究癫痫样异常。视觉检查的准确率是取决于神经科医生在脑电图研究中的专业水平,并且研究的质量可能因人为信号的干扰而受到限制,这限制了医生准确识别异常的能力。癫痫预测的机器学习模型主要分为两大类,一类是线性模型,一类是非线性模型。因为脑电信号的混沌性和不稳定性,非线性方法在脑电信号的分析上有更大的成长空间。非线性两个最流行的方法就是卷积神经网络(Convolutional NeuralNetwork,CNN)和支持向量机(Support Vector Machine,SVM)。前者的卷积层在特征提取上有较好的性能,后者在二分类的处理上有独特优势。神经学家能够通过直接观察脑电波进行相应的诊断。但是这种方法需要长时间的观察,非常消耗时间和成本,效率和准确率都很低。因此基于脑电图(EEG)的自动化分析来实现癫痫分类和预测是非常有意义的。本发明提出了一种基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置,以提高癫痫疾病诊断的效率和降低误诊率。
发明内容
本发明的目的是提供一种基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置。技术方案如下:
一种基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置,包括下列模块:
预处理模块,用于对于癫痫病人正常期和发作期的脑电数据,使用3阶巴特沃斯带通滤波器(0.3-70Hz)
消除运动伪影和肌电干扰;使用陷波滤波器去除50Hz工频干扰。
特征提取模块,包括:卷积层:使用卷积层从脑电信号中提取特征,并选用ReLU函数作为激活函数;
池化层:采用最大值池化的方式;丢失正则化:为防止过拟合,应用丢失正则化机制;
模型构造模块,包括:
1)基于SVM构造2分类模型;
2)把特征提取模块提取到的特征作为数据集,构建训练集和测试集;
3)使用Sigmoid函数作为核函数。
模型训练模块,包括:
1)使用梯度下降和反向传播训练模型,寻找最优超平面;
2)使用10折交叉验证方式训练模型。
模型测试及保存模块
1)使用测试集测试模型的分类准确率;
2)保存准确率最高的模型,将其用于癫痫脑电识别。
附图说明
图1正常脑电信号和癫痫脑电信号对比图,(a)正常脑电信号(b)癫痫脑电信号。
图2本发明基于CNN-SVM的癫痫脑电识别装置结构框图
图3本发明特征提取模块及模型构建模块框图
具体实施方式
下面结合附图和具体实例对本发明进行进一步的说明阐述。
本发明采用23通道的脑电信号,脑电信号分为正常脑电和癫痫脑电信号。采用CNN-SVM构造2分类模型,利用该模型分类正常脑电和癫痫脑电,从而实现较高准确率的癫痫脑电识别
参见图1,本发明所使用的原始脑电图。信号来自癫痫病人正常期和发作期的脑电数据,采样频率为1024Hz,单个信号长度为2048。其中,(a)为正常脑电信号,(b)为癫痫脑电信号,可以看出两类信号有明显的分类特征,因此可以使用CNN-SVM对其进行分类,从而实现癫痫疾病的识别。
参见图2和图3,本发明基于CNN-SVM的癫痫脑电识别装置实现框图和本发明特征提取模块及模型构建模块的框图。以下简述发明具体实施步骤。
1.预处理模块
1)使用3阶巴特沃斯带通滤波器(0.3-70Hz)消除运动伪影和肌电干扰;
2)使用陷波滤波器去除50Hz工频干扰。
2.特征提取模块
1)卷积层。第一层和第二层是卷积层,输入矩阵和卷积核进行卷积操作,进而提取出数据特征,卷积运算如公式(1)所示。由于卷积操作是线性运算只能进行对线性可分数据分类,但是从所使用的脑电数据是非平稳和非线性可分的,为使模型能够解决非线性问题,需要对其加入非线性因素,即在两个卷积层后增加使用如公式(2)所示的ReLU作为激活函数的两个非线性激活层,ReLU函数具有快速训练特性,所以比公式(3)所示的Sigmoid函数更有优势
其中,x(t)表示输入EEG信号,w(t)表示权值矩阵,y(t)表示输出信号
ReLU(x)=max(0,x) (2)
2)池化层。采用最大值池化的方式,如公式(4),该操作即选取池化窗口对应的输入矩阵的最大值作为输出矩阵相应元素的值,它处于连续的卷积层中间,主要是用来减小特征图,把其中的冗余信息去掉,提取最重要的特征,对数据起到降低维度的作用。
f(x)=max(0,x) (4)
3)丢失正则化。为防止过拟合,应用了丢失正则化机制,使得网络的隐藏层以0.1的概率随机丢弃。且丢失机制仅在训练时激活,这使网络变得简单高效,增加了网络的泛化能力。
3.模型构造模块
1)基于SVM构造出2分类模型;
2)把特征提取模块提取到的特征作为数据集,选取900个样本作为训练集,100个样本作为测试集;
3)使用公式(3)的Sigmoid函数作为核函数。
4.模型训练模块
1)使用梯度下降和反向传播训练模型,寻找最优超平面。
2)使用10折交叉验证方式训练模型,每次训练中,900个样本中有90%被随机选为训练数据集,其余10%被选为验证集,该过程重复20次;
5.模型测试及保存模块
1)使用测试集测试模型的分类准确率;
2)保存准确率最高的模型,将其作为癫痫脑电识别装置。
癫痫脑电识别装置的评估结果:
1)准确率:95.1%
本发明的有益效果如下:
1)本发明设计了一种癫痫脑电识别装置,避免了直接目视检查脑电图,降低了诊断癫痫疾病的成本,具有较高的识别准确率。
2)由未经过训练的数据测试该装置的识别准确率,测试结果和训练结果基本一致,表明本发明装置具有较好的泛化能力。
3)结合CNN和SVM算法各自的优点,为癫痫脑电识别提出了一种新思路。
Claims (1)
1.一种基于多通道脑电数据和CNN-SVM的癫痫脑电识别装置,包括下列模块:
预处理模块,用于对于癫痫病人正常期和发作期的脑电数据,使用3阶巴特沃斯带通滤波器(0.3-70Hz)消除运动伪影和肌电干扰;使用陷波滤波器去除50Hz工频干扰。
特征提取模块,包括:卷积层:使用卷积层从脑电信号中提取特征,并选用ReLU函数作为激活函数;池化层:采用最大值池化的方式;丢失正则化:为防止过拟合,应用丢失正则化机制;
模型构造模块,包括:
1)基于SVM构造2分类模型;
2)把特征提取模块提取到的特征作为数据集,构建训练集和测试集;
3)使用Sigmoid函数作为核函数。
模型训练模块,包括:
1)使用梯度下降和反向传播训练模型,寻找最优超平面;
2)使用10折交叉验证方式训练模型。
模型测试及保存模块
1)使用测试集测试模型的分类准确率;
2)保存准确率最高的模型,将其用于癫痫脑电识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011303.9A CN111166328A (zh) | 2020-01-06 | 2020-01-06 | 基于多通道脑电数据和cnn-svm的癫痫脑电识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010011303.9A CN111166328A (zh) | 2020-01-06 | 2020-01-06 | 基于多通道脑电数据和cnn-svm的癫痫脑电识别装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111166328A true CN111166328A (zh) | 2020-05-19 |
Family
ID=70649280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010011303.9A Pending CN111166328A (zh) | 2020-01-06 | 2020-01-06 | 基于多通道脑电数据和cnn-svm的癫痫脑电识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111166328A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112336354A (zh) * | 2020-11-06 | 2021-02-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于eeg信号癫痫监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108478216A (zh) * | 2018-02-06 | 2018-09-04 | 杭州电子科技大学 | 一种基于卷积神经网络的癫痫病发作前期智能预测方法 |
CN109614885A (zh) * | 2018-11-21 | 2019-04-12 | 齐鲁工业大学 | 一种基于lstm的脑电信号快速分类识别方法 |
CN110289081A (zh) * | 2019-05-14 | 2019-09-27 | 杭州电子科技大学 | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 |
-
2020
- 2020-01-06 CN CN202010011303.9A patent/CN111166328A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108478216A (zh) * | 2018-02-06 | 2018-09-04 | 杭州电子科技大学 | 一种基于卷积神经网络的癫痫病发作前期智能预测方法 |
CN109614885A (zh) * | 2018-11-21 | 2019-04-12 | 齐鲁工业大学 | 一种基于lstm的脑电信号快速分类识别方法 |
CN110289081A (zh) * | 2019-05-14 | 2019-09-27 | 杭州电子科技大学 | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 |
Non-Patent Citations (2)
Title |
---|
JOHN THOMAS等: "EEG Classification via Convolutional Neural Network-Based Interictal Epileptiform Event Detection", 《2018 40TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC)》 * |
刘晓菲: "基于仿生神经系统的癫痫脑电识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112336354A (zh) * | 2020-11-06 | 2021-02-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于eeg信号癫痫监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784242B (zh) | 基于一维残差卷积神经网络的脑电信号去噪方法 | |
CN111166327A (zh) | 基于单通道脑电信号和卷积神经网络的癫痫诊断装置 | |
Ilakiyaselvan et al. | Deep learning approach to detect seizure using reconstructed phase space images | |
Lu et al. | Residual deep convolutional neural network for eeg signal classification in epilepsy | |
CN111709267B (zh) | 深度卷积神经网络的脑电信号情感识别方法 | |
CN114366124B (zh) | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 | |
CN110840432A (zh) | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 | |
CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
Taqi et al. | Classification and discrimination of focal and non-focal EEG signals based on deep neural network | |
CN110477909B (zh) | 一种基于静息态脑电数据的性别分类方法 | |
Chowdhury et al. | Seizure and non-seizure EEG signals detection using 1-D convolutional neural network architecture of deep learning algorithm | |
CN114595725B (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
Alsuwaiket | Feature Extraction of EEG Signals for Seizure Detection Using Machine Learning Algorthims | |
Guo et al. | IEEG-TCN: a concise and robust temporal convolutional network for intracranial electroencephalogram signal identification | |
CN111166328A (zh) | 基于多通道脑电数据和cnn-svm的癫痫脑电识别装置 | |
Mohi-ud-Din et al. | Detection of Autism Spectrum Disorder from EEG signals using pre-trained deep convolution neural networks | |
Li et al. | GCNs–FSMI: EEG recognition of mental illness based on fine-grained signal features and graph mutual information maximization | |
CN114699093A (zh) | 一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法 | |
Zhang et al. | Effects of Data Augmentation with the BNNSMOTE Algorithm in Seizure Detection Using 1D-MobileNet | |
Gabr et al. | A deep learning identification system for different epileptic seizure disease stages | |
Wu et al. | Automatic classification of EEG signals via deep learning | |
Tiwary et al. | Deep learning with spatial and channel attention for epileptic seizure type classification using frequency characterization | |
CN114266276B (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
Farid et al. | Post-Stroke Identification of EEG Signal Using Wavelet Filters and 2D-Convolutional Neural Networks | |
CN116304575A (zh) | 一种多任务癫痫脑电自动检测与预测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |