CN111444747B - 一种基于迁移学习和空洞卷积的癫痫状态识别方法 - Google Patents
一种基于迁移学习和空洞卷积的癫痫状态识别方法 Download PDFInfo
- Publication number
- CN111444747B CN111444747B CN201910043745.9A CN201910043745A CN111444747B CN 111444747 B CN111444747 B CN 111444747B CN 201910043745 A CN201910043745 A CN 201910043745A CN 111444747 B CN111444747 B CN 111444747B
- Authority
- CN
- China
- Prior art keywords
- epileptic
- wavelet packet
- feature
- layer
- groups
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明提供一种基于迁移学习和空洞卷积的癫痫状态识别方法,包含步骤:S1、提取每组原始癫痫脑电图信号特定频率下的若干个小波包系数组作为一个特征组;S2、去除特征组中显著相关的小波包系数组,实现对特征组降维;降维后特征组的每个小波包系数均为一个特征值;S3、标准化处理从若干组原始癫痫脑电图信号提取的所有特征值;S4、将经标准化处理的的所有特征值作为测试数据集,将现有癫痫脑电图信号特征数据库中的特征作为训练数据集;通过改进的CMJAE迁移学习方法实现跨领域知识迁移,并通过二维空洞卷积神经网络作为分类器,迭代获取测试数据集的分类结果;S5、采用十折交叉验证法,验证分类准确性。
Description
技术领域
本发明涉及非平稳信号的特征提取,模式分类,迁移学习和深度学习,属于信号处理和模式识别技术领域。
背景技术
目前癫痫是一种常见的神经系统疾病,根据世界卫生组织(WHO)的数据,全球每年有近240万人被诊断为癫痫,它影响着全球大约5000万人口的日常生活,并呈现逐年增加的趋势。癫痫主要是由大量神经元集群异常同步化放电活动而造成的脑功能障碍。头皮脑电或颅内脑电反映了主要的脑神经活动,包含了脑内大量的生理和病理信息,因此EEG(electroencephalogram脑电图)信号的智能识别是研究癫痫发作的主要手段。
目前,癫痫的诊断需要由神经电生理医师对患者长达数天的脑电图信号进行人工分析,不仅需要消耗大量的人力物力,同时较长的时间周期也导致了一部分患者无法及时得到治疗。另一方面,因为病人之间的脑电图信号差异较大,所以在一个病人数据上训练好的分类模型在另一个病人上的识别效果往往很差,现有的模型在临床应用中的泛化性很差。因此,如何通过仅仅通过少量患者脑电图信号数据并且在训练数据和测试数据分布不一致的情况下对患者状态进行自动判别分析是本发明着力解决的两个问题。
癫痫患者的EEG信号随机性很强,其本质上是非线性和非平稳的时间序列,信号非常复杂并且很难从视觉上给出直观解释。研究者们往往通过量化分析的方法来提取癫痫EEG信号的特征信息。在现有的研究中主要的癫痫EEG信号特征抽取方法包括三种:时域特征提取、频域特征提取和时频域特征提取。(1)时域分析方法作为最早应用于EEG信号分析中的方法,主要通过分析EEG信号波形中的信号幅度、均值、方差、标准差来提取特征。癫痫EEG信号中的棘波、尖波、慢波都可以在时域上提取出来。(2)频域分析主要分析脑电图信号的频率特征,根据脑电波的频率识别出不同的节律。同时还可以通过使用短时快速傅里叶变换(short-time Fourier transform,STFT)方法将脑电波幅值随时间的变化转换为脑电功率随时间的变化,从而可以观察不同频段脑电波的变化情况。(3)时频分析可以提取EEG信号中时域的波形参数特征,也可以提取频域内的能量分布特征,典型的时频分析代表性技术为小波包分解。
随着机器学习和深度学习技术的快速发展,多种智能识别方法都被应用于癫痫脑电的建模识别中。应用比较广泛的方法包括以下几种:极限学习机(Extreme LearningMachine,ELM),基于前馈神经网络,通过计算分配节点参数,并计算隐含层的输出矩阵,最后求解输出权重;支持向量机(Support Vector Machine,SVM),基于统计学习理论和结构风险最小化,利用核函数将非线性特征映射到高维空间,找到超平面实现分类;决策树(Decision Tree,DT),作为一个预测模型,代表对象属性与对象值之间的一种映射关系,使用归纳法生成决策树结构和过程中的规则,然后对测试数据进行分类;K近邻算法(K-nearest neighbor,KNN),随机从训练元组中选取k个元组作为初始的最近邻元组,分别计算测试元组到这k个元组的距离,遍历训练元组集,计算优先级队列中k个元组的多数类,并将其作为测试元组的类别。
传统的分类方法利用大量带标签信息的训练数据来训练得到一个决策函数,利用该函数来对标签信息未知的测试样本进行分类识别。但是这些分类方法均存在一个前提假设:训练数据和测试数据需满足相同的概率分布特征。同时,需要带标签的数据量必须足够大才可以训练得到一个性能足够好的分类器。现实中许多场景下,保持训练样本的概率分布与测试样本的概率分布相同是很难做到的,样本的数量往往也难以满足数量要求。对于前文所述小数据量下含有不同类型分布特征的癫痫EEG信号而言,传统的方法显然不能得到较好的分类效果。迁移学习利用与目标域数据分布不同但相关的源域训练数据来帮助目标任务进行学习,可以有效解决小数据量下不同分布数据的分类问题。
空洞卷积神经网络(Dilated Convolutional Neural Network)是近些年来在卷积神经网络的基础上发展起来的,并广受关注的高效识别方法,特别是在模式识别,图像分割等领域,得到了广泛的应用。其本质上是一种不增加参数数量,同时增加输出单元感受野的一种方法。空洞卷积可以解决当二维数据输入到CNN网络提取特征时,经过池化操作降低数据尺度后,数据的很多细节被池化操作丢失的问题。空洞卷积好处是在不损失信息的情况下,加大感受野,让每个卷积输出都包含较大范围的信息。
发明内容
本发明针对癫痫脑电图信号识别中训练数据量不足以及训练数据与测试数据分布不一致导致的分类准确率低的问题,提出了一种基于迁移学习和空洞卷积的癫痫脑电图信号识别方法,能够提高辅助临床癫痫识别诊断的检测效率和准确率,减轻医生负担,防止进一步防止误诊,帮助病人获得及时治疗。
为了达到上述目的,本发明提供了一种基于迁移学习和空洞卷积的癫痫状态识别方法,包含步骤:
S1、任选若干组原始癫痫脑电图信号;对每组原始癫痫脑电图信号进行五层离散Daubechies小波包分解,从中提取特定频率下的若干个小波包系数组作为一个特征组;一个特征组对应一组原始癫痫脑电图信号;
S2、计算所述特征组中的小波包系数组之间的皮尔逊相关系数和显著性P值,去除特征组中显著相关的小波包系数组,实现对特征组降维;降维后特征组的小波包系数组中的每个小波包系数均为一个有效特征;
S3、标准化处理从所述若干组原始癫痫脑电图信号提取的所有有效特征;
S4、将从所述若干个原始癫痫脑电图信号中提取的所有有效特征作为测试数据集,将现有癫痫脑电图信号特征数据库中的特征作为训练数据集;通过改进的CMJAE迁移学习方法实现跨领域知识迁移,并通过二维空洞卷积神经网络作为分类器,迭代获取测试数据集的分类结果;
S5、采用十折交叉验证法,验证测试数据集的分类效果。
所述步骤S1包含:
S11、任选若干组原始癫痫脑电图信号;对每组癫痫脑电图信号进行五层离散Daubechies小波包分解,得到32个小波包系数组;每个小波包系数组对应一个频段;
S12、从步骤S11得到的32个小波包系数组中,提取所对应频段不大于50HZ的小波包系数组,得到24个小波包系数组;
S13、将所述24个小波包系数组作为一个特征组。
步骤S2中所述去除特征组中显著相关的小波包系数组,具体是指对于特征组中皮尔逊相关系数大于0.8且P值大于0.01的若干个小波包系数组,只保留其中一个小波包系数组。
步骤S3中所述标准化处理,具体是指采用z-score标准化方式,对从所述若干组原始癫痫脑电图信号提取的所有有效特征进行标准化处理。
步骤S4所述迭代获取测试数据集的分类结果,具体包含步骤:
S41、建立训练数据集DS和测试数据集DT,以DS为源域,DT为目标域;其中DS为现有癫痫脑电图信号数据库中的特征集合,DT为从所述若干组原始癫痫脑电图信号中提取的所有有效特征;C为DS中特征的类别数,一个特征类别对应一个标签,DS的标签集合为yc为标签;DS和DT共享标签集合Y;
S42、通过二维空洞卷积神经网络训练源域DS,得到二维空洞卷积神经网络分类器;通过所述二维空洞卷积神经网络分类器训练目标域DT,更新目标域中特征的标签,完成一次迭代;当已完成的迭代总次数大于最大迭代次数Tmax,或目标域中任何特征的标签都没有更新,进入S44;否则进入S43;
S43、计算投影矩阵W,通过W将源域DS目标域DT分别投影到新的特征子空间,得到ZS=WTDS,ZT=WTDT;ZS、ZT分别为DS、DT在新的特征子空间中的低维表示;实现减小DS和DT的边缘分布差异及条件分布差异;令ZS作为下一轮迭代的源域DS,令ZT为下一轮迭代的目标域DT,进入S42;
S44、迭代结束,输出目标域中每个特征的标签,即为对若干组原始癫痫脑电图信号的分类结果。
步骤S43中所述计算投影矩阵W,具体包含步骤:
S431、令目标域源域/>ns和nT分别为DS、DT中的特征个数;DS与DT分布不同但相关,令/>
S432、采用改进的跨领域均值联合逼近嵌入方法,构建CMJAE目标函数J(W),
其中L0=XXT-XμT-XTμ+μμT,μ为X中所有特征的均值,μT为μ的转置,XT为X的转置;
X(c)为X中的第c类特征,(X(c))T为X(c)的转置,μS (c)、分别为DS、DT中第c类特征的均值;
λ是平衡参数,W为投影矩阵,WT为W的逆;计算得到W。
所述对应频段不大于50Hz的小波包系数组,具体是指对应频段为25~40Hz、5~12.5Hz、1~2.5Hz的小波包系数组。
所述通过所述二维空洞卷积神经网络分类器训练目标域DT,具体是训练150次。
所述现有癫痫脑电图信号特征数据库,具体是指德国波恩大学提供的癫痫脑电图信号特征数据库。
所述二维空洞卷积神经网络由六层网络结构组成;每层网络结构包含空洞卷积层、规范化层、激活层;第一层到第三层网络结构负责从初级特征到高级特征的提取,其中第二层和第三层网络在激活层后增加一个池化层;第四层和第五层网络为全连接层;第六层网络为分类层;激活层的激活函数采用线性整流函数。
与现有技术相比,本发明提供的基于迁移学习和空洞卷积的癫痫状态识别方法的优点包括:
1)通过对原始癫痫脑电图信号提取频率25~40Hz、5~12.5Hz、1~2.5Hz频段内的有效特征,很好地表征了原始癫痫脑电图信号的特点;
2)以现有癫痫脑电图信号特征数据库中的特征作为源域,以原始癫痫脑电图信号提取的所有有效特征作为目标域,通过改进的CMJAE迁移学习方法,缩小了源域和目标域的边缘分布差异和条件分布差异,有效地实现了源域和目标域之间的跨领域知识迁移;
3)采用空洞卷积神经网络作为分类器,在保证信息不丢失的条件下,扩大了每层网络的感受野,有效实现小数据量的分类识别;
4)通过本发明的方法,在训练数据和测试数据分布不一致的小数据量癫痫状态的分类识别上,取得了非常好的分类效果并且具有很好的泛化性能。
附图说明
为了更清楚地说明本发明技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图:
图1是本发明的基于迁移学习和空洞卷积的癫痫状态识别方法流程图;
图2(a)为本发明的CMJAE迁移学习过程中,源域和目标域未进行边缘分布差异调整的示意图;
图2(b)为本发明的CMJAE迁移学习过程中,源域和目标域进行边缘分布差异调整后的示意图;
图3(a)为本发明的CMJAE迁移学习过程中,源域和目标域未进行条件分布差异调整示意图;
图3(b)为本发明的CMJAE迁移学习过程中,源域和目标域进行条件分布差异调整后的示意图;
图4为本发明中采用的二维空洞卷积神经网络结构示意图。
图中:1、原始癫痫脑电图信号;2、特征组;3、有效特征;4、源域;5、目标域。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于迁移学习和空洞卷积的癫痫状态识别方法,如图1所示,包含步骤:
S1、任选若干组原始癫痫脑电图信号1;对每组原始癫痫脑电图信号1进行五层离散Daubechies(多贝西)小波包分解,得到32个小波包系数组,每个小波包系数组对应一个频段,且每个小波包系数组均具有相同的维度m;从所述32个小波包系数组中提取对应频段不大于50HZ的的若干个小波包系数组,具体是指对应频段为25~40Hz(棘波)、5~12.5Hz(尖波)、1~2.5Hz(慢波)的小波包系数组,得到24个小波包系数组;将所述24个小波包系数组作为一个特征组2,一个特征组2对应一组原始癫痫脑电图信号1;
S2、计算所述特征组2中的小波包系数组之间的皮尔逊相关系数和显著性P值,去除特征组2中皮尔逊相关系数大于0.8且P值大于0.01的若干个小波包系数组,只保留其中一个小波包系数组,实现对特征组2降维;降维后特征组2的小波包系数组中的每个小波包系数均为一个有效特征3;
S3、令DT为从所述若干组原始癫痫脑电图信号1提取的所有有效特征3的集合,其中xj为一个小波包系数组,nT为DT中的小波包系数组的个数,表示大小为m×nT的特征空间,/>m为xj的维度,xjt为从所述若干组原始癫痫脑电图信号1提取的有效特征3;采用z-score(z-分数)标准化方式,标准化处理DT;z-score标准化方式如公式(1)所示:
其中,μ′为DT的均值,δ为DT的标准差;
S4、将从所述若干个原始癫痫脑电图信号1中提取的所有有效特征3作为测试数据集,将德国波恩大学提供的癫痫脑电图信号特征数据库中的特征作为训练数据集;通过改进的CMJAE(跨领域均值联合逼近嵌入cross-domian mean joint approach embedded)迁移学习方法实现跨领域知识迁移,并通过二维空洞卷积神经网络作为分类器,迭代获取测试数据集的分类结果;如图4所示,所述二维空洞卷积神经网络由六层网络结构组成;每层网络结构包含空洞卷积层、规范化层、激活层;第一层到第三层网络结构负责从初级特征到高级特征的提取,其中第二层和第三层网络在激活层之后增加一个池化层;第四层和第五层网络为全连接层;第六层网络为分类层;激活层的激活函数采用线性整流函数。
步骤S4所述迭代获取测试数据集的分类结果,具体包含步骤:
S41、建立训练数据集DS和测试数据集DT,以DS为源域4,DT为目标域5;其中DS为德国波恩大学提供的癫痫脑电图信号特征集;ns为DS中小波包系数组的个数;其中xi为一个小波包系数组,/>表示大小为m×nS的特征空间,/>m为xi的维度,xit为由德国波恩大学提供的癫痫脑电图信号中的特征;C为DS中特征的类别数,每个特征属于一个特征类别,一个特征类别对应一个标签;DS的标签集合为/>yc为标签;DS与DT分布不同但相关,且共享标签集合/>C为X中所有特征的类别数,一个特征类别对应一个标签;
S42、通过二维空洞卷积神经网络训练源域DS,得到二维空洞卷积神经网络分类器;通过所述二维空洞卷积神经网络分类器训练目标域DT,更新目标域5中特征的标签,完成一次迭代;当已完成的迭代总次数大于最大迭代次数Tmax,或目标域5中任何特征的标签都没有更新,进入S44;否则进入S43;
S43、计算投影矩阵W,通过W将源域DS目标域DT分别投影到新的特征子空间,得到ZS=WTDS,ZT=WTDT;ZS、ZT分别为DS、DT在新的特征子空间中的低维表示;实现减小DS和DT的边缘分布差异及条件分布差异;令ZS作为下一轮迭代的源域DS,令ZT为下一轮迭代的目标域DT,进入S42;
W的计算方法,如下所述:
第一步:首先采用CMJAE方法,调整源域DS和目标域DT的边缘分布差异;
令Ds与DT间分布差异度量公式如下:
当xi∈DS,μ为Ds的均值μS;当xi∈DT,μ为DT的均值μT;
CMAJE算法的目标是找到一个最佳投影矩阵W,使得DS、DT通过W投影到新的特征子空间,获得DS和DT在新的特征子空间内相应的低维表示ZS1、ZT1,具体为ZS1=WTDS,ZT1=WTDT;W使得dist2(ZS,ZT)减小,以便在{ZS1}上训练得到的分类器对ZT1分类时获得良好的效果。WT为W的转置;W∈Rm×k,Rm×k表示大小为m×k的特征空间,k为新的特征子空间的维数。
如图2(a)所示,在本发明的第一个应用实施例中, μS为{xS1,xS2,xS3}的均值,μT为{xT1,xT2,xT3}的均值。xS1、xS2、xS3到μT的距离分别为/>xT1、xT2、xT3到μS的距离分别为/>源领域与目标领域间的分布差异为/>
如图2(b)所示,对{xS1,xS2,xS3,μS}、{xT1,xT2,xT3,μT}进行投影变换得到其中/>zst=WTxst∈Rk,zTt=WTxTt∈Rk,(t=1,2,3)。则zS1、zS2、zS3到/>的距离分别为dS1、dS2、dS3,zT1、zT2、zT3到/>的距离分别为dT1、dT2、dT3,则投影后源领域与目标领域的分布差异为从而缩小领域间分布差异。
因此,为寻找一个最优共享特征子空间,将公式(2)嵌入一个低维投影矩阵,可得基于跨领域均值逼近差异度量进行边缘分布调整的目标函数J1(W1)如下:
其中,将公式(3)化为矩阵形式如下:
其中,L0=XXT-XμT-XTμ+μμT。
第二步:首先采用改进的CMJAE方法,调整源域DS和目标域DT的边缘分布差异;
由于式(4)未利用特征的标签信息,因此它仅是缩小源域4和目标域5间的边缘分布差异。为了缩小源域4和目标域5间的条件分布差异,在式(4)基础上引入标签信息,进一步调整目标函数J1(W),可得新的目标函数J2(W):
其中, 为X中的第c类特征,/>为/>的转置,/>为源域4中第c类特征的均值,/>为目标域5中第c类特征的均值,(μ(c))T为/>的转置,目标域5中特征的标签是在算法运行过程中产生的伪标签。
将公式(5)转化为矩阵形式如下:
其中,X(c)为X中所有第c类特征,(X(c))T为X(c)的转置。
在本发明的第二个应用实施例中,如图3(a)所示,在条件分布调整前,其中{xS1,xS2}为同类特征,{xS1,xS2}为同类特征,{xS1,xS2}为同类特征。μS为{xS1,xS2,xS3,xS4,xS5,xS6}的均值,μT为{xT1,xT2,xT3,xT4,xT5,xT6}的均值。如图3(b)所示,在条件分布调整后,{zS1,zS2,zS3,zS4,zS5,zS6}分别为{xS1,xS2,xS3,xS4,xS5,xS6}的投影,{zT1,zT2,zT3,zT4,zT5,zT6}分别为{xT1,xT2,xT3,xT4,xT5,xT6}的投影。/>为{zS1,zS2}的均值,/>为{zS3,zS4}的均值,/>为{zS5,zS6}的均值。/>为{zT1,zT2}的均值,/>为{zT3,zT4}的均值,/>为{zT5,zT6}的均值。投影转换后,使{zS1,zS2}向/>靠近,{zS3,zS4}向/>靠近,{zS5,zS6}向/>靠近;使{zT1,zT2}向/>靠近,{zT3,zT4}向{zT5,zT6}向/>
第三步:结合联合分布调整思想,求取最优共享特征子空间。在特征提取过程中,采用跨领域均值逼近差异度量来度量领域间分布差异,同时结合标签精化机制,利用源领域样本的标签信息以及目标领域样本的伪标签信息,同时缩小源领域和目标领域间的边缘分布差异和条件分布差异。将式(5)和(6)进行结合,进一步通过构建CMJAE的目标函数J(W)如下:
为投影矩阵的稀疏度约束项,λ是平衡参数,/>为求取矩阵Frobenius范数的平方运算。计算得到W。
S44、迭代结束,输出目标域5中每个特征的标签,即为对若干组原始癫痫脑电图信号1的分类结果。
S5、采用十折交叉验证法,通过验证测试数据集分类正确率、敏感度、特异度、平均正确率,判断测试数据集的分类效果。
为了验证发明的效果,由波恩大学的癫痫脑电图数据库中抽取五类癫痫EEG信号,分别记为A类、B类、C类、D类、E类,每类癫痫EEG信号包含100个特征。通过所述五类癫痫EEG信号构造了10组共两种类型的实验数据,来测试不同分类算法的性能。每组实验数据有200个特征,包含100个训练数据、100个测试数据。所构造的10组实验数据,具体如表1所示,第一类实验数据的训练数据集和测试数据集服从独立同分布,第二类实验数据的训练数据集和测试数据集分布具有差异性。表1中,实验组1~4为第一类,实验组5~10为第二类。以第10组实验数据为例,训练数据集由A类和C类各取50个特征构成,测试数据集由A类和E类各取50个特征组成。另外,每个实验组中的训练数据集和测试数据集均不含相同的特征,互相独立。
表1:实验数据
分类效果可以通过正确率、敏感性、特异性、召回率和AUC值来体现,以上各个指标越大,表明分类识别效果越好。
(a)正确率
正确率是反映一个分类器分类效果的最基本量,正确率越高,表明分类器分类效果越好。在分类问题中,正确率的计算公式如下:
其中,ACC表示准确率,TP表示被正确分类的正样本数,TN表示被正确分类的负样本数,FP表示被错误分类的负样本数,FN表示被错误分类的正样本数。
(b)敏感性
敏感性又称为真阳性率,在医学上通常表示的是实际病患(阳性)被诊断出来的百分比。令SEN表示敏感度,其计算式如下:
(c)特异性
特异性,又称真阴性率,即实际无病按诊断标准被正确判为无病的百分比,反映了筛检实验确定非病人的能力。令SPE表示特异性,其计算公式如下:
(d)AUC值
AUC(Area Under Curve曲线下面积)值又称为ROC(受试者工作特征曲线receiveroperating characteristic curve)曲线下面积,是根据一系列不同的二分类方式(分界值或决定阈),以真阳性率为纵坐标,假阳性率为横坐标绘制的曲线。AUC值越大,试验的诊断价值越高。
表2给对所构造的10组实验数据的分类结果。由表2结果可知,在训练数据集分布相同和分布不同的情况下,基于本发明所提出方法的分类效果都很好。
数据集 | 准确率 | 敏感性 | 特异性 | AUC |
1 | 0.978 | 0.976 | 0.962 | 0.979 |
2 | 0.985 | 0.989 | 0.971 | 0.989 |
3 | 0.967 | 0.946 | 0.884 | 0.977 |
4 | 0.965 | 0.923 | 0.902 | 0.972 |
5 | 0.957 | 0.929 | 0.974 | 0.924 |
6 | 0.953 | 0.938 | 0.913 | 0.917 |
7 | 0.951 | 0.947 | 0.905 | 0.961 |
8 | 0.953 | 0.943 | 0.892 | 0.996 |
9 | 0.961 | 0.931 | 0.892 | 0.923 |
10 | 0.951 | 0.913 | 0.982 | 0.971 |
平均值 | 0.961 | 0.943 | 0.927 | 0.961 |
表2:分类结果
针对所构造的10组实验数据,表3列出了本发明提出的癫痫状态识别方法与常用方法识别癫痫状态效果的对比结果。这些方法包括K近邻(KNN),决策树(DT),支持向量机(SVM),极限学习机(ELM),卷积神经网络(CNN)等机器学习和深度学习方法。从表3中结果可知,与常用的机器学习和深度学习方法相比,本发明在分布相同和分布不同的数据集上都有明显突出的效果。
表3:不同癫痫脑电分类方法结果比较
与现有技术相比,本发明提供的基于迁移学习和空洞卷积的癫痫状态识别方法的优点包括:
1)通过对原始癫痫脑电图信号1提取频率25~40Hz、5~12.5Hz、1~2.5Hz频段内的有效特征3,很好地表征了原始癫痫脑电图信号1的特点;
2)以现有癫痫脑电图信号特征数据库中的特征作为源域4,以原始癫痫脑电图信号1提取的所有有效特征3作为目标域5,通过改进的CMJAE迁移学习方法,缩小了源域4和目标域5的边缘分布差异和条件分布差异,有效地实现了源域4和目标域5之间的跨领域知识迁移;
3)采用空洞卷积神经网络作为分类器,在保证信息不丢失的条件下,扩大了每层网络的感受野,有效实现小数据量的分类识别;
4)通过本发明的方法,在训练数据和测试数据分布不一致的小数据量癫痫状态的分类识别上,取得了非常好的分类效果并且具有很好的泛化性能。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于迁移学习和空洞卷积的癫痫状态识别方法,其特征在于,包含步骤:
S1、任选若干组原始癫痫脑电图信号;对每组原始癫痫脑电图信号进行五层离散Daubechies小波包分解,从中提取特定频率下的若干个小波包系数组作为一个特征组;一个特征组对应一组原始癫痫脑电图信号;
S2、计算所述特征组中的小波包系数组之间的皮尔逊相关系数和显著性P值,去除特征组中显著相关的小波包系数组,实现对特征组降维;降维后特征组的小波包系数组中的每个小波包系数均为一个有效特征;
S3、标准化处理从所述若干组原始癫痫脑电图信号提取的所有有效特征;
S4、将从若干个原始癫痫脑电图信号中提取的所有有效特征作为测试数据集,将现有癫痫脑电图信号特征数据库中的特征作为训练数据集;通过改进的CMJAE迁移学习方法实现跨领域知识迁移,并通过二维空洞卷积神经网络作为分类器,迭代获取测试数据集的分类结果;
步骤S4所述迭代获取测试数据集的分类结果,具体包含步骤:
S41、建立训练数据集DS和测试数据集DT,以DS为源域,DT为目标域;其中DS为现有癫痫脑电图信号数据库中的特征集合,DT为从所述若干组原始癫痫脑电图信号中提取的所有有效特征;C为DS中特征的类别数,一个特征类别对应一个标签,DS的标签集合为yc为标签;DS和DT共享标签集合Y;
S42、通过二维空洞卷积神经网络训练源域DS,得到二维空洞卷积神经网络分类器;通过所述二维空洞卷积神经网络分类器训练目标域DT,更新目标域中特征的标签,完成一次迭代;当已完成的迭代总次数大于最大迭代次数Tmax,或目标域中任何特征的标签都没有更新,进入S44;否则进入S43;
S43、计算投影矩阵W,通过W将源域DS目标域DT分别投影到新的特征子空间,得到ZS=WTDS,ZT=WTDT;ZS、ZT分别为DS、DT在新的特征子空间中的低维表示;实现减小DS和DT的边缘分布差异及条件分布差异;令ZS作为下一轮迭代的源域DS,令ZT为下一轮迭代的目标域DT,进入S42;
步骤S43中所述计算投影矩阵W,具体包含步骤:
S431、令目标域源域/>ns和nT分别为DS、DT中的特征个数;DS与DT分布不同但相关,令/>
S432、采用改进的跨领域均值联合逼近嵌入方法,构建CMJAE目标函数J(W),
其中L0=XXT-XμT-XTμ+μμT,μ为X中所有特征的均值,μT为μ的转置,XT为X的转置;
X(c)为X中的第c类特征,(X(c))T为X(c)的转置,μS (c)、/>分别为DS、DT中第c类特征的均值;
λ是平衡参数,W为投影矩阵,WT为W的逆;计算得到W;
S44、迭代结束,输出目标域中每个特征的标签,即为对若干组原始癫痫脑电图信号的分类结果;
S5、采用十折交叉验证法,验证测试数据集的分类效果。
2.如权利要求1所述的基于迁移学习和空洞卷积的癫痫状态识别方法,其特征在于,所述步骤S1包含:
S11、任选若干组原始癫痫脑电图信号;对每组癫痫脑电图信号进行五层离散Daubechies小波包分解,得到32个小波包系数组;每个小波包系数组对应一个频段;
S12、从步骤S11得到的32个小波包系数组中,提取所对应频段不大于50HZ的小波包系数组,得到24个小波包系数组;
S13、将所述24个小波包系数组作为一个特征组。
3.如权利要求1所述的基于迁移学习和空洞卷积的癫痫状态识别方法,其特征在于,步骤S2中所述去除特征组中显著相关的小波包系数组,具体是指对于特征组中皮尔逊相关系数大于0.8且P值大于0.01的若干个小波包系数组,只保留其中一个小波包系数组。
4.如权利要求1所述的基于迁移学习和空洞卷积的癫痫状态识别方法,其特征在于,步骤S3中所述标准化处理,具体是指采用z-score标准化方式,对从所述若干组原始癫痫脑电图信号提取的所有有效特征进行标准化处理。
5.如权利要求2所述的基于迁移学习和空洞卷积的癫痫状态识别方法,其特征在于,所述对应频段不大于50Hz的小波包系数组,具体是指对应频段为25~40Hz、5~12.5Hz、1~2.5Hz的小波包系数组。
6.如权利要求1所述的基于迁移学习和空洞卷积的癫痫状态识别方法,其特征在于,所述通过所述二维空洞卷积神经网络分类器训练目标域DT,具体是训练150次。
7.如权利要求1所述的基于迁移学习和空洞卷积的癫痫状态识别方法,其特征在于,所述现有癫痫脑电图信号特征数据库,具体是指德国波恩大学提供的癫痫脑电图信号特征数据库。
8.如权利要求1所述的基于迁移学习和空洞卷积的癫痫状态识别方法,其特征在于,所述二维空洞卷积神经网络由六层网络结构组成;每层网络结构包含空洞卷积层、规范化层、激活层;第一层到第三层网络结构负责从初级特征到高级特征的提取,其中第二层和第三层网络在激活层后增加一个池化层;第四层和第五层网络为全连接层;第六层网络为分类层;激活层的激活函数采用线性整流函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043745.9A CN111444747B (zh) | 2019-01-17 | 2019-01-17 | 一种基于迁移学习和空洞卷积的癫痫状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043745.9A CN111444747B (zh) | 2019-01-17 | 2019-01-17 | 一种基于迁移学习和空洞卷积的癫痫状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444747A CN111444747A (zh) | 2020-07-24 |
CN111444747B true CN111444747B (zh) | 2023-09-29 |
Family
ID=71626999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910043745.9A Active CN111444747B (zh) | 2019-01-17 | 2019-01-17 | 一种基于迁移学习和空洞卷积的癫痫状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444747B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931656B (zh) * | 2020-08-11 | 2022-08-05 | 西安交通大学 | 基于迁移学习的用户独立型运动想象分类模型训练方法 |
CN111728609B (zh) * | 2020-08-26 | 2020-11-17 | 腾讯科技(深圳)有限公司 | 脑电信号的分类方法、分类模型的训练方法、装置及介质 |
CN112684891A (zh) * | 2020-12-30 | 2021-04-20 | 杭州电子科技大学 | 基于多源流形嵌入迁移的脑电信号分类方法 |
CN113180659B (zh) * | 2021-01-11 | 2024-03-08 | 华东理工大学 | 一种基于三维特征和空洞全卷积网络的脑电情感识别方法 |
CN113017645B (zh) * | 2021-02-25 | 2022-03-29 | 华南理工大学 | 一种基于空洞卷积神经网络的p300信号检测方法 |
CN113011330B (zh) * | 2021-03-19 | 2022-09-02 | 中国科学技术大学 | 一种基于多尺度神经网络和空洞卷积的脑电信号分类方法 |
CN113240022A (zh) * | 2021-05-19 | 2021-08-10 | 燕山大学 | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 |
CN113555004A (zh) * | 2021-07-15 | 2021-10-26 | 复旦大学 | 基于特征选择与迁移学习的语音抑郁状态识别方法 |
CN113569725A (zh) * | 2021-07-27 | 2021-10-29 | 复旦大学 | 一种基于迁移Softmax回归的癫痫状态识别方法 |
CN113951898B (zh) * | 2021-10-15 | 2023-03-10 | 浙江大学 | 数据迁移的p300脑电信号检测方法及装置、电子设备、介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0906029D0 (en) * | 2009-04-07 | 2009-05-20 | Nat Univ Ireland Cork | A method of analysing an electroencephalogram (EEG) signal |
CN104523269A (zh) * | 2015-01-15 | 2015-04-22 | 江南大学 | 一种面向癫痫脑电信号迁移环境的自适应识别方法 |
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
-
2019
- 2019-01-17 CN CN201910043745.9A patent/CN111444747B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0906029D0 (en) * | 2009-04-07 | 2009-05-20 | Nat Univ Ireland Cork | A method of analysing an electroencephalogram (EEG) signal |
CN104523269A (zh) * | 2015-01-15 | 2015-04-22 | 江南大学 | 一种面向癫痫脑电信号迁移环境的自适应识别方法 |
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
Non-Patent Citations (1)
Title |
---|
杨昌健 ; 邓赵红 ; 蒋亦樟 ; 王士同.基于迁移学习的癫痫EEG信号自适应识别.2013年中国计算机学会人工智能会议.2013,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111444747A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444747B (zh) | 一种基于迁移学习和空洞卷积的癫痫状态识别方法 | |
Hussein et al. | Optimized deep neural network architecture for robust detection of epileptic seizures using EEG signals | |
Yaman et al. | Comparison of bagging and boosting ensemble machine learning methods for automated EMG signal classification | |
CN109934089B (zh) | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 | |
Rubin et al. | Recognizing abnormal heart sounds using deep learning | |
Qin et al. | Combining low-dimensional wavelet features and support vector machine for arrhythmia beat classification | |
Dash et al. | Multi-channel EEG based automatic epileptic seizure detection using iterative filtering decomposition and Hidden Markov Model | |
Subasi | Medical decision support system for diagnosis of neuromuscular disorders using DWT and fuzzy support vector machines | |
US7509163B1 (en) | Method and system for subject-adaptive real-time sleep stage classification | |
Wang et al. | Ensemble learning algorithm based on multi-parameters for sleep staging | |
Ravi Kumar et al. | Epileptic seizures classification in EEG signal based on semantic features and variational mode decomposition | |
Khan et al. | Automated classification of lung sound signals based on empirical mode decomposition | |
Ulukaya et al. | Overcomplete discrete wavelet transform based respiratory sound discrimination with feature and decision level fusion | |
Alvi et al. | Neurological abnormality detection from electroencephalography data: a review | |
Liu et al. | Few-shot learning for cardiac arrhythmia detection based on electrocardiogram data from wearable devices | |
Bavkar et al. | Optimal EEG channels selection for alcoholism screening using EMD domain statistical features and harmony search algorithm | |
CN106778865A (zh) | 一种多域特征下的半监督脑电信号睡眠分期方法 | |
Vialatte et al. | Early detection of Alzheimer’s disease by blind source separation, time frequency representation, and bump modeling of EEG signals | |
CN112185493A (zh) | 人格偏好诊断装置及基于该装置的项目推荐系统 | |
Khan et al. | Automated glaucoma detection from fundus images using wavelet-based denoising and machine learning | |
Liu et al. | Automatic sleep staging algorithm based on random forest and hidden markov model | |
Hanrahan | Noise reduction in eeg signals using convolutional autoencoding techniques | |
Ke et al. | Interpretation of frequency channel-based CNN on depression identification | |
Ziasabounchi et al. | A comparative study of heart disease prediction based on principal component analysis and clustering methods | |
Mahato et al. | Analysis of region of interest (RoI) of brain for detection of depression using EEG signal |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |