CN111803028A - 一种基于网络参数迁移的个性化癫痫发作检测装置 - Google Patents
一种基于网络参数迁移的个性化癫痫发作检测装置 Download PDFInfo
- Publication number
- CN111803028A CN111803028A CN202010570551.7A CN202010570551A CN111803028A CN 111803028 A CN111803028 A CN 111803028A CN 202010570551 A CN202010570551 A CN 202010570551A CN 111803028 A CN111803028 A CN 111803028A
- Authority
- CN
- China
- Prior art keywords
- layer
- electroencephalogram
- network
- convolution
- samples
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 206010010904 Convulsion Diseases 0.000 title claims abstract description 18
- 206010015037 epilepsy Diseases 0.000 title claims abstract description 18
- 208000028329 epileptic seizure Diseases 0.000 title claims abstract description 14
- 230000005012 migration Effects 0.000 title claims abstract description 10
- 238000013508 migration Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 9
- 230000001037 epileptic effect Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (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网络参数迁移的个性化癫痫发作检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现下面的方法步骤:步骤1:癫痫病患脑电信号预处理模块。步骤2:预训练数据集构建模块。步骤3:卷积自编码器训练模块。步骤4:个性化训练数据集构建模块。一维卷积神经网络初始化模块。步骤6:一维卷积神经网络训练优化模块。
Description
技术领域
本发明涉及一种基于网络参数迁移的个性化癫痫发作检测装置,属于生物医学信号处理技术领域和癫痫发作临床技术检测领域。
背景技术
癫痫是一种由大脑神经元异常放电引起的,波及各个年龄阶段的慢性大脑疾病。长期频繁的发作会对病患的身心状况产生严重的影响,而且会造成一定程度的社会歧视问题。目前癫痫的诊断主要依赖神经生理学家和神经科医生目视检查病患的脑电图记录,人工检查EEG数据记录中并识别异常片段是一项耗费大量时间与精力的任务,而且由于主观差异的存在往往会导致误判。因此有必要设计一种高效准确的癫痫发作自动检测方法。
癫痫发作检测是对病患的多通道脑电信号进行分析处理,以实现对癫痫发作期和非发作期的分类识别。在癫痫诊断中具有重要意义,可以降低医生的负担,为癫痫的辅助诊断治疗提供可靠支持。
传统的癫痫发作检测方法一般包括特征提取和特征分类的过程。特征提取的常见方法有小波变换,样本熵分析等,特征分类一般可以采用最邻近算法,随机森林以及支持向量机等方法。这些传统方法在不同的病患数据集上都表现出不错的检测效果,但是仍然存在漏检、错检的情况。而且特征提取依赖于一定的先验知识,对于不同的数据集提取的特征也有可能不同,并不能保证提取到的特征是最具能代表原始脑电数据的。
发明内容
为了克服现有方法的不足,本发明基于大量癫痫病患的脑电数据记录和深度学习技术,提出一种基于网络参数迁移的个性化癫痫发作检测装置。为实现上述目的,本发明采用如下技术方案:
一种基于网络参数迁移的个性化癫痫发作检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现下面的方法步骤:
步骤1:癫痫病患脑电信号预处理模块
对癫痫病患多通道脑电信号进行同步分段截取,并标签化;使用带通滤波器对每段脑电信号进行降噪处理;对每段脑电信号进行标准化处理。
步骤2:预训练数据集构建模块
按照一定比例随机选择数据库中不同病患的脑电片段样本进行组合,从而得到预训练数据集。其中选择比例的设置与数据库中病患个数M的倒数1/M相近,最终得到P段脑电样本。
步骤3:卷积自编码器训练模块
确定卷积自编码器的结构,包括网络深度D以及各层神经元的数目;将P段脑电样本分为n个批次,每个批次含有P/n段脑电样本;确定卷积层核的大小与数量并初始化,对每个批次的样本进行卷积运算;添加激活层,激活函数为ELU,具有缓解梯度消失,提升对噪声鲁棒性的功能;构造最大池化层,确定池化采样步长,对激活层输出结果进行池化处理;重复卷积运算并添加激活层和最大池化层,构造深度为D的编码层网络;确定隐含层输出维数m,并用全连接层连接上一层池化输出与隐含层;按照与编码层对称的原则添加对应数量和大小的逆池化层、反卷积层、激活层构造解码层,确保自编码器输出维度与输入维度相同;用全连接层连接隐含层和解码层;训练卷积自编码器,直到所有批次的样本都经过指定次数的迭代,最终保存优化好的编码层网络结构与网络参数。
步骤4:个性化训练数据集构建模块
依据最大方差原则选择出当前病患全通道脑电数据中方差最大的前五个通道的脑电信号片段作为个性化训练数据集,最终得到Q段脑电样本。
步骤5:一维卷积神经网络初始化模块
构建网络深度结构与步骤3中的编码层相同的卷积神经网络的卷积层;将上述Q段脑电样本作为个性化训练数据集输入到一维卷积神经网络中;把上述编码层的网络参数迁移到一维卷积神经网络卷积层部分进行网络初始化;添加全连接层并进行初始化;添加softmax输出决策层。
步骤6:一维卷积神经网络训练优化模块
使用Adagrad优化网络,得到个性化检测器。
本发明提供的基于参数迁移的个性化癫痫发作检测装置立足于深度学习技术,首先在全数据集上训练一个卷积自编码器以得到具有一般泛化程度的网络权重,然后基于最大方差准则对每个病患脑电数据进行筛选清洗以选择与癫痫发作较为相关的脑电数据,最后在每个病患清洗后的脑电数据集里进行个性化检测一维卷积神经网络的训练,利用层层网络得到脑电信号的深度抽象,实现对癫痫发作的自动检测,具有收敛迅速,可重复迁移的优点。
附图说明
图1是癫痫发作检测流程图;
图2是用于提供预训练参数的卷积自编码器的结构示意图;
图3是一维卷积神经网络分类器的结构与参数迁移示意图。
具体实施方式
为了对本发明进行详细阐述,现结合实例和附图对本发明的具体实施过程作进一步的描述。
本发明,通过在包含数据库中全部病患脑电信号片段的预训练数据集上训练卷积自编码器以得到感兴趣的编码层的权重,然后基于最大方差原则选择多通道脑电信号中方差最大的前五个通道的脑电信号构成个性化数据集,在个性化数据集上训练一个与卷积自编码器编码层结构相同的一维卷积神经网络分类器对两种脑电状态(发作期、非发作期)进行分类决策,卷积神经网络初始化参数由训练好的编码层权重迁移而来。具体包括:
1:癫痫病患脑电信号预处理模块
对癫痫病患多通道脑电信号进行同步分段截取,并标签化:首先确定截取时间间隔与步长,然后对所有通道的脑电信号进行时间同步的截断,得到N个多通道脑电信号片段,最后为每个片段标签化为非发作期“0”或发作期“1”。
使用带通滤波器对每段脑电信号进行降噪处理:采用带宽为0.5-100Hz的巴特沃斯滤波器对N个脑电信号片段进行滤波处理。
对每段脑电信号进行Z-score标准化处理:Z-score标准化是机器学习应用中常用的数据标准化方法,具有提升模型收敛速度与精度以及预防梯度爆炸的优点。首先求出各段脑电信号的均值μ和标准差σ,然后把脑电信号片段的均值变换为0、标准差变换为1,变换公式如下:
在公式中x表示原始脑电数据,z表示标准化后的脑电数据。
2:预训练数据集构建模块
按照一定比例随机选择数据库中不同病患的脑电片段样本进行组合,从而得到预训练数据集。其中选择比例的设置与数据库中病患个数M的倒数1/M相近,最终得到P段脑电样本。
3:卷积自编码器训练模块
确定卷积自编码器的结构,包括网络深度D以及各层神经元的数目。卷积自编码器的结构如图2所示,网络深度D表示输入层与中间隐含层输出之间网络的层数,由于卷积编码器结构的对称性表示输出层与中间隐含层之间网络的层数也是D,各层神经元数目一般设定为2的正整数次幂。
设置神经网络批处理大小,将P段脑电样本分为n个批次,每个批次含有P/n段脑电样本。
确定卷积层核的大小与数量并初始化,对每个批次的样本进行卷积运算;卷积核的大小一般设置为5×1,卷积核的数目代表了卷积网络的深度。使用较小的正整数初始化网络权重。
添加激活层,激活函数为ELU,具有缓解梯度消失,提升对噪声鲁棒性的功能。变换公式如下,其中α>0:
构造最大池化层,确定池化采样步长,对上一步的输出结果进行池化处理。
按照卷积自编码器的结构添加一定数量的卷积层、激活层和池化层。然后确定隐含层输出维数m,并用全连接层连接上一层池化输出与隐含层,完成编码层的构建。
按照与编码层对称的原则添加对应数量和大小的逆池化层、反卷积层、激活层构造解码层,确保自编码器输出维度与输入维度相同,并用全连接层连接隐含层与解码层。
训练卷积自编码器,直到所有批次的样本都经过指定次数的迭代,最终保存优化好的编码层网络结构与参数。其中训练卷积自编码器的方法是使用基于小批量学习的自适应优化方法Adagrad。
4:个性化训练数据集构建模块
依据最大方差原则选择出当前病患全通道脑电数据中方差最大的前五个通道的脑电信号片段作为个性化训练数据集,最终得到Q段脑电样本。
5:一维卷积神经网络初始化模块
一维卷积神经网络的结构和初始化过程如图3所示。首先构建网络深度结构与卷积自编码器中的编码层结构相同的卷积神经网络的卷积层;然后将上述Q段脑电样本作为个性化训练数据集输入到一维卷积神经网络中;把训练好的编码层的网络参数迁移到一维卷积神经网络卷积层部分进行网络初始化。然后添加全连接层,用较小正数进行初始化全连接层。最后添加softmax输出决策层。
6:一维卷积神经网络训练优化模块
使用基于小批量学习的优化方法Adagrad优化网络,得到个性化检测器。
Claims (1)
1.一种基于网络参数迁移的个性化癫痫发作检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。其特征在于,所述处理器执行所述程序时实现下面的方法步骤:
步骤1:癫痫病患脑电信号预处理模块
对癫痫病患多通道脑电信号进行同步分段截取,并标签化;使用带通滤波器对每段脑电信号进行降噪处理;对每段脑电信号进行标准化处理;
步骤2:预训练数据集构建模块
按照一定比例随机选择数据库中不同病患的脑电片段样本进行组合,从而得到预训练数据集;其中选择比例的设置与数据库中病患个数M的倒数1/M相近,最终得到P段脑电样本;
步骤3:卷积自编码器训练模块
确定卷积自编码器的结构,包括网络深度D以及各层神经元的数目;将P段脑电样本分为n个批次,每个批次含有P/n段脑电样本;确定卷积层核的大小与数量并初始化,对每个批次的样本进行卷积运算;添加激活层,激活函数为ELU,具有缓解梯度消失,提升对噪声鲁棒性的功能;构造最大池化层,确定池化采样步长,对激活层输出结果进行池化处理;重复卷积运算并添加激活层和最大池化层,构造深度为D的编码层网络;确定隐含层输出维数m,并用全连接层连接上一层池化输出与隐含层;按照与编码层对称的原则添加对应数量和大小的逆池化层、反卷积层、激活层构造解码层,确保自编码器输出维度与输入维度相同;用全连接层连接隐含层和解码层;训练卷积自编码器,直到所有批次的样本都经过指定次数的迭代,最终保存优化好的编码层网络结构与网络参数;
步骤4:个性化训练数据集构建模块
依据最大方差原则选择出当前病患全通道脑电数据中方差最大的前五个通道的脑电信号片段作为个性化训练数据集,最终得到Q段脑电样本;
步骤5:一维卷积神经网络初始化模块
构建网络深度结构与步骤3中的编码层相同的卷积神经网络的卷积层;将上述Q段脑电样本作为个性化训练数据集输入到一维卷积神经网络中;把上述编码层的网络参数迁移到一维卷积神经网络卷积层部分进行网络初始化;添加全连接层并进行初始化;添加softmax输出决策层;
步骤6:一维卷积神经网络训练优化模块
使用Adagrad优化网络,得到个性化检测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010570551.7A CN111803028A (zh) | 2020-06-19 | 2020-06-19 | 一种基于网络参数迁移的个性化癫痫发作检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010570551.7A CN111803028A (zh) | 2020-06-19 | 2020-06-19 | 一种基于网络参数迁移的个性化癫痫发作检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111803028A true CN111803028A (zh) | 2020-10-23 |
Family
ID=72846288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010570551.7A Pending CN111803028A (zh) | 2020-06-19 | 2020-06-19 | 一种基于网络参数迁移的个性化癫痫发作检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111803028A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349797A (zh) * | 2021-07-05 | 2021-09-07 | 重庆邮电大学 | 一种基于脑电临界核参数预测癫痫发作的方法 |
CN113647962A (zh) * | 2021-08-20 | 2021-11-16 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
CN114224288A (zh) * | 2021-12-13 | 2022-03-25 | 中国人民解放军军事科学院军事医学研究院 | 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545245A (zh) * | 2017-08-14 | 2018-01-05 | 中国科学院半导体研究所 | 一种年龄估计方法及设备 |
CN108209870A (zh) * | 2017-12-25 | 2018-06-29 | 河海大学常州校区 | 基于卷积神经网络的长程脑电图自动癫痫检测方法 |
CN108564122A (zh) * | 2018-04-10 | 2018-09-21 | 北京工业大学 | 基于卷积-循环混合网络的图像描述模型的一体化训练方法 |
CN109223002A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 自闭症患病预测方法、装置、设备及存储介质 |
CN109303560A (zh) * | 2018-11-01 | 2019-02-05 | 杭州质子科技有限公司 | 一种基于卷积残差网络和迁移学习的短时心电信号房颤识别方法 |
CN109770925A (zh) * | 2019-02-03 | 2019-05-21 | 闽江学院 | 一种基于深度时空网络的疲劳检测方法 |
US20190223725A1 (en) * | 2018-01-25 | 2019-07-25 | Siemens Healthcare Gmbh | Machine Learning-based Segmentation for Cardiac Medical Imaging |
CN110109543A (zh) * | 2019-04-30 | 2019-08-09 | 福州大学 | 基于被试迁移的c-VEP识别方法 |
CN110236533A (zh) * | 2019-05-10 | 2019-09-17 | 杭州电子科技大学 | 基于多深度神经网络迁移特征学习的癫痫发作预测方法 |
CN110897630A (zh) * | 2019-06-27 | 2020-03-24 | 上海数创医疗科技有限公司 | 一种基于迁移学习的室性心动过速心律识别方法和装置 |
CN111166327A (zh) * | 2020-01-06 | 2020-05-19 | 天津大学 | 基于单通道脑电信号和卷积神经网络的癫痫诊断装置 |
-
2020
- 2020-06-19 CN CN202010570551.7A patent/CN111803028A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545245A (zh) * | 2017-08-14 | 2018-01-05 | 中国科学院半导体研究所 | 一种年龄估计方法及设备 |
CN108209870A (zh) * | 2017-12-25 | 2018-06-29 | 河海大学常州校区 | 基于卷积神经网络的长程脑电图自动癫痫检测方法 |
US20190223725A1 (en) * | 2018-01-25 | 2019-07-25 | Siemens Healthcare Gmbh | Machine Learning-based Segmentation for Cardiac Medical Imaging |
CN108564122A (zh) * | 2018-04-10 | 2018-09-21 | 北京工业大学 | 基于卷积-循环混合网络的图像描述模型的一体化训练方法 |
CN109223002A (zh) * | 2018-08-27 | 2019-01-18 | 上海铱硙医疗科技有限公司 | 自闭症患病预测方法、装置、设备及存储介质 |
CN109303560A (zh) * | 2018-11-01 | 2019-02-05 | 杭州质子科技有限公司 | 一种基于卷积残差网络和迁移学习的短时心电信号房颤识别方法 |
CN109770925A (zh) * | 2019-02-03 | 2019-05-21 | 闽江学院 | 一种基于深度时空网络的疲劳检测方法 |
CN110109543A (zh) * | 2019-04-30 | 2019-08-09 | 福州大学 | 基于被试迁移的c-VEP识别方法 |
CN110236533A (zh) * | 2019-05-10 | 2019-09-17 | 杭州电子科技大学 | 基于多深度神经网络迁移特征学习的癫痫发作预测方法 |
CN110897630A (zh) * | 2019-06-27 | 2020-03-24 | 上海数创医疗科技有限公司 | 一种基于迁移学习的室性心动过速心律识别方法和装置 |
CN111166327A (zh) * | 2020-01-06 | 2020-05-19 | 天津大学 | 基于单通道脑电信号和卷积神经网络的癫痫诊断装置 |
Non-Patent Citations (2)
Title |
---|
曹玉珍等: "基于深度学习的癫痫脑电通道选择与发作检测", 《天津大学学报(自然科学与工程技术版)》 * |
李宇琛: "基于卷积神经网络的想象运动脑电分类研究", 《中国硕士学位论文全文数据库(基础科学辑)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349797A (zh) * | 2021-07-05 | 2021-09-07 | 重庆邮电大学 | 一种基于脑电临界核参数预测癫痫发作的方法 |
CN113349797B (zh) * | 2021-07-05 | 2022-07-15 | 重庆邮电大学 | 一种基于脑电临界核参数预测癫痫发作的系统 |
CN113647962A (zh) * | 2021-08-20 | 2021-11-16 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
CN113647962B (zh) * | 2021-08-20 | 2023-09-22 | 天津大学 | 基于深度学习集成模型的癫痫定位与发作预测方法 |
CN114224288A (zh) * | 2021-12-13 | 2022-03-25 | 中国人民解放军军事科学院军事医学研究院 | 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备 |
CN114224288B (zh) * | 2021-12-13 | 2023-10-31 | 中国人民解放军军事科学院军事医学研究院 | 检测癫痫脑电信号的微型胶囊神经网络训练方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110693493B (zh) | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测特征提取方法 | |
CN111803028A (zh) | 一种基于网络参数迁移的个性化癫痫发作检测装置 | |
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 | |
CN108256629B (zh) | 基于卷积网络和自编码的eeg信号无监督特征学习方法 | |
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 | |
CN110840432A (zh) | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 | |
CN109645989B (zh) | 一种麻醉深度估计系统 | |
CN110292377B (zh) | 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法 | |
CN111387975B (zh) | 基于机器学习的脑电信号识别方法 | |
CN108280414A (zh) | 一种基于能量特征的运动想象脑电信号的识别方法 | |
CN113705398B (zh) | 基于卷积-长短期记忆网络音乐脑电时空特征分类方法 | |
CN110584596B (zh) | 基于双输入卷积神经网络的睡眠阶段分类方法及应用 | |
CN112450885B (zh) | 一种面向癫痫脑电的识别方法 | |
CN114366124A (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 | |
CN113662560B (zh) | 发作间期痫样放电的检测方法、存储介质和设备 | |
CN117503057A (zh) | 基于高阶张量分解构建脑网络的癫痫发作检测装置及介质 | |
CN113017645A (zh) | 一种基于空洞卷积神经网络的p300信号检测方法 | |
CN114190944A (zh) | 基于脑电信号的鲁棒情绪识别方法 | |
CN114595725A (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 | |
CN110458066B (zh) | 一种基于静息态脑电数据的年龄段分类方法 | |
CN115017960B (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
CN114841216B (zh) | 一种基于模型不确定性学习的脑电信号分类方法 | |
CN116522106A (zh) | 一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法 | |
CN110443276A (zh) | 基于深度卷积网络与灰度递归图分析的时间序列分类方法 | |
CN115429286A (zh) | 一种心电表征自监督学习方法 |
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 |
Application publication date: 20201023 |
|
RJ01 | Rejection of invention patent application after publication |