CN112450885A - 一种面向癫痫脑电的识别方法 - Google Patents
一种面向癫痫脑电的识别方法 Download PDFInfo
- Publication number
- CN112450885A CN112450885A CN202011353490.5A CN202011353490A CN112450885A CN 112450885 A CN112450885 A CN 112450885A CN 202011353490 A CN202011353490 A CN 202011353490A CN 112450885 A CN112450885 A CN 112450885A
- Authority
- CN
- China
- Prior art keywords
- data
- conv1d
- net
- deep learning
- learning model
- 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.)
- Granted
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
- A61B5/40—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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种面向癫痫脑电的识别方法,包括以下步骤:S1、构建基于一维卷积神经网络的简化深度学习模型L‑NET;S2、采集脑电数据;S3、所述脑电数据经过EMD预处理,输入简化深度学习模型L‑NET;S4、所述简化深度学习模型L‑NET采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计。本发明设计的模型参数更少,效率更高。且通过实验验证,原始数据经过EMD处理后取前三阶分量,再利用一维CNN做分类识别这种方式识别率最高。相比于二维CNN,在简化癫痫脑电识别过程的同时,也提高了识别准确率。
Description
技术领域
本发明属于医疗疾病诊断技术领域,具体涉及一种面向癫痫脑电的识别方法。
背景技术
癫痫(epilepsy),又名“羊癫疯”,是最为常见的神经系统疾病之一。癫痫年龄跨度大,且趋于年轻化,目前治疗方式主要有药物保守治疗、手术切除病灶治疗等,治疗周期长、副作用大。
癫痫脑电(Epilepsy Electroencephalogram,EEG)研究主要包括特征提取和分类两个方面。近年来,越来越多的研究针对不同场景下的信号去噪,以提高检测率。例如,采用小波系数分解的方式提取癫痫脑电信号特征,实现对正常期、发作期和发作间期的癫痫脑电分类;或采用主成分分析和方差性分析降低原始特征空间维数,对癫痫脑电发作期和非发作期进行自动分类,等等。
深度学习目前被认为是较为先进的模型,在模式识别和机器学习方面有广泛的应用,在基准数据集分类方面上达到甚至比人类本身更高的准确度。大脑对某些刺激、任务或生理状态的电响应通常包括许多子反应,这些子反应被组合以提供完整的反应。深度学习现在已用于癫痫脑电图中的分类,并且在癫痫发作预测等领域。深度学习在结构上与深度神经网络类似,其可采用LSTM结构对癫痫脑电数据进行分类,另外也可通过基于Softmax回归方法对癫痫脑电信号分类。但是,目前癫痫脑电识别的方法过程较繁琐,中间过程参数过多。
发明内容
本发明的目的在于避免现有技术中的不足而提供一种面向癫痫脑电的识别方法,在简化癫痫脑电识别过程的同时,也提高了识别准确率。
本发明的目的通过以下技术方案实现:提供一种面向癫痫脑电的识别方法,包括以下步骤:
S1、构建基于一维卷积神经网络的简化深度学习模型L-NET;
S2、采集脑电数据;
S3、所述脑电数据经过EMD预处理,输入简化深度学习模型L-NET;
S4、所述简化深度学习模型L-NET采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计。
作为进一步的改进,所述简化深度学习模型L-NET至少包括:
五个一维卷积层conv1d_1、conv1d_2、conv1d_3、conv1d_4、conv1d_5,
两个一维池化层max_pooling1d_1、max_pooling1d_2,
两个批标准化层batch_normalization_1、batch_normalization_2
一个全局均值池化层global_average_pooling1d_1,
两个全连接层dense_1、dense_2,
一个Dropout层dropout_1,
所述conv1d_1、conv1d_2、batch_normalization_1、max_pooling1d_1、conv1d_3、conv1d_4、batch_normalization_2、max_pooling1d_2、conv1d_5、global_average_pooling1d_1、dense_1、dropout_1和dense_2依次相邻设置。
作为进一步的改进,所述简化深度学习模型L-NET中还设置有L2正则化,使权值变化率相应减小。
作为进一步的改进,所述步骤S2中采集的脑电数据总共分为5类子集,分别为Z,O,N,F,S,每类脑电子集包含100个信道序列,总共500个信道序列,每个信道持续时间为23.6秒,信号采样点是4097个数据点,五类脑电数据子集分别代表:(1)不同人的脑电测试信号,其中Z、O表示的是正常清醒的健康人,N、F表示的是未发作的癫痫病人,S表示癫痫病发作时的病人;(2)记录位置不同,Z、O两类是在颅外记录的数据,而N,F,S是在颅内记录的数据。
作为进一步的改进,所述步骤S2中所有脑电数据都是由128通道的放大器系统记录的,在经过12位模数转换后,数据以173.6Hz的采样频率连续读入,组合形成一个行向量,再将行向量转置成列向量方便数据预处理。
作为进一步的改进,所述步骤S3具体表现为:
S301、对经过步骤S2后的500个列向量进行数据预处理,每一条原始数据经过EMD后形成8-13不等阶数的IMF分量;
S302、分别取前三、前五、前七、前八阶分量作为简化深度学习模型L-NET的输入。
作为进一步的改进,所述步骤S4中预定义的目标函数为损失函数binarycrossentropy,用于做极大似然估计。
作为进一步的改进,所述简化深度学习模型L-NET采用RMSProp算法和损失函数binary crossentropy计算后得知:脑电数据经过EMD处理后取前三阶分量进行分类识别的识别率最高。
本发明提供的面向癫痫脑电的识别方法,以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,并通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。相比于二维CNN,这样设计的模型参数更少,效率更高。且通过实验验证,原始数据经过EMD处理后取前三阶分量,再利用一维CNN做分类识别这种方式识别率最高。随着采用分量数越多识别率降低,实验结果表明在数据预处理的过程中会给原始信号带来噪声。在实验过程中,以基本调参方法为基础,L-NET做相应改进,如增加全局均值池化,每一层加入权重和偏置初始化等,使识别率有所提高,在简化癫痫脑电识别过程的同时,也提高了识别准确率。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是面向癫痫脑电的识别方法的结构示意图。
图2是简化深度学习模型L-NET的结构图。
图3是基于EMD数据预处理的EEG识别流程图。
图4是基于原始数据的EEG识别流程图。
图5是两类方法结果对比图。
图6为简化深度学习模型L-NET的算法过程图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步详细的描述,需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
如图1所示,本发明实施例提供的面向癫痫脑电的识别方法,包括以下步骤:
S1、构建基于一维卷积神经网络的简化深度学习模型L-NET;
面向癫痫脑电的一维卷积神经网络(Convolutional Neural Networks,CNN)中包含很多一维卷积层,一个卷积层可以包含很多卷积面。激活函数有很多不同的选择,但一般为sigmoid函数或校正线性单元(ReLU)。池化层将输入数据划分为许多小的子区域,每次只提取子区域最大值的方法就称为最大值池化。池化层的意义在于提取出数据中的显著特征而忽略细节特征,以减少网络中的参数和计算量,并且能够控制过拟合。
具体地,本发明中简化深度学习模型L-NET建立在一般的一维卷积神经网络基础上,同时增加了部分结构,如图2所示,主要由一维卷积层(conv1d)、一维池化层(max_pooling1d)、批标准化层(batch_normalization)、全局均值池化层(global_average_pooling1d)、全连接层(Dense)和Dropout层等构成,其中:一维卷积层的数量为五个,即conv1d_1、conv1d_2、conv1d_3、conv1d_4、conv1d_5;一维池化层的数量为两个,即max_pooling1d_1、max_pooling1d_2;批标准化层的数量为两个,即batch_normalization_1、batch_normalization_2;全局均值池化层的数量为一个,即global_average_pooling1d_1;全连接层的数量为两个即dense_1、dense_2;Dropout层的数量为一个,即dropout_1;上述conv1d_1、conv1d_2、batch_normalization_1、max_pooling1d_1、conv1d_3、conv1d_4、batch_normalization_2、max_pooling1d_2、conv1d_5、global_average_pooling1d_1、dense_1、dropout_1和dense_2依次相邻设置。
本发明根据输入数据的特殊性设计两层卷积层叠加结构,增加一层批标准化层,使网络训练CNN时更加稳定。随后再增加一个最大池化层,减小模型结构复杂度。全局平均池化层,与普通池化不同之处在于不需要池化窗口在输入数据上进行滑动采样,全局平均池化能够替代卷积神经网络中的全连接层,好处是能够减少整个网络结构的参数数量。两个全连接层之间是dropout层,是在训练过程中,对每一个全连接层的神经网络单元,按照一定的概率将其随机地丢弃,所以每一个批次(batch)都在训练不同的网络,从而增加了网络的健壮性。另外也设置了L2正则化,使权值变化率相应减小,通过这一系列设置从而减少了过拟合现象的发生,表1为前三阶实验中模型结构的具体参数。
表1模型结构参数表
S2、采集脑电数据;
癫痫脑电信号本质上是一种时序信号,本发明采用的脑电数据是印度学者VarunBajaj和Ram Bilas Pachori对正常人和癫痫病患者实际测试的数据。脑电信号数据总共分为5类,分别为Z,O,N,F,S,每类脑电子集包含100个信道序列,总共500个信道序列。每个信道持续时间为23.6秒,信号采样点是4097个数据点。五类脑电数据子集分别代表:(1)不同人的脑电测试信号,其中Z、O表示的是正常清醒的健康人,N、F表示的是未发作的癫痫病人,S表示癫痫病发作时的病人;(2)记录位置不同,Z、O两类是在颅外记录的数据,而其余三类是在颅内记录的。所有的EEG(Electroencephalogram,脑电波)信号都是由128通道的放大器系统记录下的,都采用常用的参数设置。在经过12位模数转换后,数据以173.6Hz的采样频率连续读入,在本发明中,EMD预处理之前,将脑电数据行向量转置成列向量方便后续数据预处理及模型设计。
S3、所述脑电数据经过EMD(empirical mode decomposition,经验模态分解)预处理,输入简化深度学习模型L-NET;
经验模态分解算法是一种适用于处理非平稳非线性序列的自适应的时空分析方法。EMD提取特征后,将一个序列分成多个IMF分量而不偏离时间域。这种方法尤其适用于分析自然信号,而自然信号通常是非线性和非平稳的。
基于EMD数据预处理的EEG识别流程如图3所示,这种方法对前面输入的500个列向量进行数据预处理,每一条原始数据经过EMD后形成8-13不等阶数的IMF分量。由于后几阶的分量中包含较多的残差噪声,为了保证输入统一,分别取前三、前五、前七、前八阶分量作为模型的输入。
S4、所述简化深度学习模型L-NET采用RMSProp(Root Mean Square Prop)算法作为模型优化算法,通过预定义的目标函数来进行损失估计。RMSProp算法的全称叫RootMean Square Prop,为了进一步优化损失函数在更新中存在摆动幅度过大的问题,RMSProp算法对权重W和偏置b的梯度使用微分平方加权平均数。另一个重要参数为目标函数,或称损失函数,是编译一个模型必要参数之一。本发明中损失函数是binary crossentropy(亦称作对数损失,logloss),该函数主要用来做极大似然估计的,利用这个损失函数方便计算。
简化深度学习模型L-NET的算法计算过程具体如下图6,P1至P5为输出值的5分类。
为验证本发明面向癫痫脑电的识别方法的高识别效果,下面通过实验进行论证。
实验中将采集的脑电数据划分为3个部分——训练数据、验证数据和测试数据,总共五类共500条数据,比例为3:1:1。这些数据每次读入的时候都是随机打乱的,训练过程对训练数据进行调参,经过一次epoch后,得到一个训练结果和验证结果,通过验证集对模型的准确率进行评估,最后训练完成后,用测试集对最后的结果进行总体检测。
各阶数在参数设置环境相同的情况下,分别进行30次独立实验,表2中数据分别表示第1-6次、第7-12次、第13-18次、第19-24次和第25-30次实验的平均准确率结果。另一个评价指标损失值loss,通过30次重复实验得到相应的平均loss值。通过实验结果表明前三阶的IMF分量的整体效果是最好的,前三阶、前五阶准确率逐渐升高,loss值基本持平;前七阶、前八阶准确率逐渐降低、loss值也逐渐增加。具体实验数据如表2所示。
表2基于EMD数据预处理的EEG识别结果
本实验硬件环境:操作系统:Windows10;处理器:AMD Ryzen 5 2600X六核;内存:金士顿DDR4 2400MHz,采用GPU加速,基于MATLAB平台和Keras平台,MATLAB由一系列工具组成,其中包含一些内置的函数和文件。Keras框架是一个高层神经网络API,Keras框架由纯Python编写而成并基于Tensorflow、Theano以及CNTK后端。可以直接调用图像处理中的一些内置函数及封装的库,支持CPU和GPU无缝切换。
下面是未经过EMD预处理,直接把采集的脑电原始数据进行输入简化深度学习模型L-NET进行训练的实验,具体过程参见图4。首先将其中一道原始波形记录4097个采样点,数据采集后组合形成一个行向量,再将原始数据进行转置变成一个列向量。总共500道波形,将这些波形依次转置后形成500个列向量直接作为L-NET的输入,通过训练模型后识别属于哪一类。
基于原始数据的EEG识别结果如表3所示,本类实验总共进行30次,以6组实验为一单位,分别取其平均值,共有5组实验数据,另外再把五组实验数据再取平均值得到最终的识别的结果。输入数据为转置后的一维列向量,不需要进行数据预处理,因为L-NET模型是一种深度学习模型,其卷积层有自动提取特征然后进行分类。实验结果表明未经过处理的原始信号识别率基本上能达到90%左右。
表3基于原始数据的EEG识别结果
故此,本实验分为两个部分,分别是基于原始数据的EEG识别和基于EMD数据预处理的EEG识别。主要是探究简化的一维卷积神经网络对于原始脑电信号以及经过EMD数据预处理后的不同IMF分量识别分析,原始信号输入大小为4097*1,前三阶IMF输入为4097*3,前五阶输入为4097*5,前七阶输入为4097*7,前八阶输入为4097*8。
将基于原始数据的EEG识别结果和基于EMD数据预处理的对比识别结果通过图5表示,根据图中五类数据,前三阶准确率明显基本高于其他几类,另外前七阶和前八阶本征模态分量明显低于原始数据。这些说明通过合适的数据预处理方式能够提高准确率。另外五类输入迭代200次的运行时间基本保持在2分至2分40秒以内,时间效率非常高。通过图5也表明经过EMD后确实把噪声过滤到后几阶IMF中,因此选取的IMF分量越是前几阶,信号中包含的信号噪声越少,信号的差异越不受噪声影响,识别率越高。所以,前三阶IMF分量因为包含的噪声较少,识别率最高。由于前八阶信号中的后几阶信号中包含较多的噪声,影响信号的真实差异,得到的整体识别率最低。在实验中,原始信号的识别率高于前七、前八阶的识别率,而低于前三、前五阶的识别率。这是因为前三、前五阶的信号经过EMD后,保留了原始信号的主要信息,同时去除了噪声,因此识别率高于原始信号。但是当我们选取的阶数越多时,比如,前七、前八阶IMF分量信号,这些信号包含被EMD后的低频信号(例如第7阶,第8阶IMF分量)和原始信号差异明显,可能含有较多的噪声,导致前七阶、前八阶IMF分量的整体识别率低于原始信号的识别率。
此外,为进一步证明本发明面向癫痫脑电的识别方法的高识别效果,下面将该方法与K近邻(K-Nearest Neighbor,KNN)分类算法、随机森林(Random Forest,RF)算法和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)进行比较。
K近邻分类算法是一种既可用于分类又可用于回归的机器学习算法。其基本思想是找到与当前样本特征最相近的K个样本,这K+1个样本均属于同一类。这种方法中K的取值较为敏感,通过对距离进行加权,可以优化最终的结果。随机森林算法也是一种即可用于分类问题也可用于回归问题的机器学习算法。其是一种由多棵决策树组成的集成模型,决策树本质上是一种树形结构,每一个节点表示相关测试,其叶节点表示分类属性的概率。对于分类问题,随机森林通过多棵决策树投票得到最终的结果,而对于回归问题,则是根据平均值而得到。最小二乘支持向量机是为了克服标准支持向量机复杂度大,计算难度大的问题而提出的。
根据前述的实验结果可知,经过EMD数据处理后前三阶实验效果最好,基于上述实验结果,对前三阶的本征模态分量分别重构7种典型特征,包括波动指数、变化系数、方差、相对能量、平均频率、偏斜度和峰度。将五类信号提取特征后,500个信道分别都有7个特征。然后分别采用KNN和随机森林进行五分类,第三组实验引用了参考文献[魏建好.基于同步的癫痫脑电识别研究[D].长沙:湖南师范大学,2017.]中的实验结果,最终的实验结果如下表4所示。
表4对比实验结果
K近邻和随机森林两组对比实验均是基于相同的环境,进行五次对比实验然后取平均值。通过实验结果说明,针对于癫痫脑电这类时序数据,相对于KNN、随机森林和最小二乘支持向量机三种方法,本发明所提出的方法中癫痫脑电的识别准确率分别提升了37.8%、21.8%、15.75%。并且本发明中的简化深度学习模型L-NET没有提取特征这一环节,只是对数据进行预处理。
综上所述,针对癫痫脑电数据这种时序信号,本发明以一维卷积神经网络为基础,设计简化深度学习模型L-NET对癫痫脑电信号进行识别研究。相比于二维CNN,这样设计的模型参数更少,效率更高。且通过实验验证,原始数据经过EMD处理后取前三阶分量,再利用一维CNN做分类识别这种方式识别率最高。随着采用分量数越多识别率降低,实验结果表明在数据预处理的过程中会给原始信号带来噪声。在实验过程中,以基本调参方法为基础,L-NET做相应改进,如增加全局均值池化,每一层加入权重和偏置初始化等,使识别率有所提高,在简化癫痫脑电识别过程的同时,也提高了识别准确率。
上面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,不能理解为对本发明保护范围的限制。
总之,本发明虽然列举了上述优选实施方式,但是应该说明,虽然本领域的技术人员可以进行各种变化和改型,除非这样的变化和改型偏离了本发明的范围,否则都应该包括在本发明的保护范围内。
Claims (8)
1.一种面向癫痫脑电的识别方法,其特征在于,包括以下步骤:
S1、构建基于一维卷积神经网络的简化深度学习模型L-NET;
S2、采集脑电数据;
S3、所述脑电数据经过EMD预处理,输入简化深度学习模型L-NET;
S4、所述简化深度学习模型L-NET采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计。
2.根据权利要求1所述的面向癫痫脑电的识别方法,其特征在于,所述简化深度学习模型L-NET至少包括:
五个一维卷积层conv1d_1、conv1d_2、conv1d_3、conv1d_4、conv1d_5,
两个一维池化层max_pooling1d_1、max_pooling1d_2,
两个批标准化层batch_normalization_1、batch_normalization_2,
一个全局均值池化层global_average_pooling1d_1,
两个全连接层dense_1、dense_2,
一个Dropout层dropout_1,
所述conv1d_1、conv1d_2、batch_normalization_1、max_pooling1d_1、conv1d_3、conv1d_4、batch_normalization_2、max_pooling1d_2、conv1d_5、global_average_pooling1d_1、dense_1、dropout_1和dense_2依次相邻设置。
3.根据权利要求2所述的面向癫痫脑电的识别方法,其特征在于,所述简化深度学习模型L-NET中还设置有L2正则化,使权值变化率相应减小。
4.根据权利要求3所述的面向癫痫脑电的识别方法,其特征在于,所述步骤S2中采集的脑电数据总共分为5类子集,分别为Z,O,N,F,S,每类脑电子集包含100个信道序列,总共500个信道序列,每个信道持续时间为23.6秒,信号采样点是4097个数据点,五类脑电数据子集分别代表:(1)不同人的脑电测试信号,其中Z、O表示的是正常清醒的健康人,N、F表示的是未发作的癫痫病人,S表示癫痫病发作时的病人;(2)记录位置不同,Z、O两类是在颅外记录的数据,而N,F,S是在颅内记录的数据。
5.根据权利要求4所述的面向癫痫脑电的识别方法,其特征在于,所述步骤S2中所有脑电数据都是由128通道的放大器系统记录的,在经过12位模数转换后,数据以173.6Hz的采样频率连续读入,组合形成一个行向量,再将行向量转置成列向量方便数据预处理。
6.根据权利要求5所述的面向癫痫脑电的识别方法,其特征在于,所述步骤S3具体表现为:
S301、对经过步骤S2后的500个列向量进行数据预处理,每一条原始数据经过EMD后形成8-13不等阶数的IMF分量;
S302、分别取前三、前五、前七、前八阶分量作为简化深度学习模型L-NET的输入。
7.根据权利要求6所述的面向癫痫脑电的识别方法,其特征在于,所述步骤S4中预定义的目标函数为损失函数binary crossentropy,用于做极大似然估计。
8.根据权利要求7所述的面向癫痫脑电的识别方法,其特征在于,所述简化深度学习模型L-NET采用RMSProp算法和损失函数binary crossentropy计算后得知:脑电数据经过EMD处理后取前三阶分量进行分类识别的识别率最高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011353490.5A CN112450885B (zh) | 2020-11-27 | 2020-11-27 | 一种面向癫痫脑电的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011353490.5A CN112450885B (zh) | 2020-11-27 | 2020-11-27 | 一种面向癫痫脑电的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112450885A true CN112450885A (zh) | 2021-03-09 |
CN112450885B CN112450885B (zh) | 2022-04-22 |
Family
ID=74808935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011353490.5A Active CN112450885B (zh) | 2020-11-27 | 2020-11-27 | 一种面向癫痫脑电的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112450885B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113558643A (zh) * | 2021-07-08 | 2021-10-29 | 吉林大学 | 基于vmd和nltwsvm的多特征癫痫信号分类方法 |
CN114098764A (zh) * | 2021-11-05 | 2022-03-01 | 北京大学 | 数据处理方法、装置、电子设备和存储介质 |
CN115500790A (zh) * | 2022-09-23 | 2022-12-23 | 燕山大学 | 基于bi-lstm网络的癫痫发作预测分析的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038429A (zh) * | 2017-05-03 | 2017-08-11 | 四川云图睿视科技有限公司 | 一种基于深度学习的多任务级联人脸对齐方法 |
CN109247917A (zh) * | 2018-11-21 | 2019-01-22 | 广州大学 | 一种空间听觉诱发p300脑电信号识别方法及装置 |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
CN110840432A (zh) * | 2019-12-02 | 2020-02-28 | 苏州大学 | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 |
-
2020
- 2020-11-27 CN CN202011353490.5A patent/CN112450885B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038429A (zh) * | 2017-05-03 | 2017-08-11 | 四川云图睿视科技有限公司 | 一种基于深度学习的多任务级联人脸对齐方法 |
CN109247917A (zh) * | 2018-11-21 | 2019-01-22 | 广州大学 | 一种空间听觉诱发p300脑电信号识别方法及装置 |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
CN110840432A (zh) * | 2019-12-02 | 2020-02-28 | 苏州大学 | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 |
Non-Patent Citations (2)
Title |
---|
VARUN BAJAJ AND RAM BILAS PACHORI: "《Classification of Seizure and Nonseizure EEG Signals Using Empirical Mode Decomposition》", 《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE》 * |
李晓华: "《基于一维卷积网络的心电图辅助诊断方法》", 《科学技术创新》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113558643A (zh) * | 2021-07-08 | 2021-10-29 | 吉林大学 | 基于vmd和nltwsvm的多特征癫痫信号分类方法 |
CN114098764A (zh) * | 2021-11-05 | 2022-03-01 | 北京大学 | 数据处理方法、装置、电子设备和存储介质 |
CN114098764B (zh) * | 2021-11-05 | 2024-02-20 | 北京大学 | 数据处理方法、装置、电子设备和存储介质 |
CN115500790A (zh) * | 2022-09-23 | 2022-12-23 | 燕山大学 | 基于bi-lstm网络的癫痫发作预测分析的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112450885B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112450885B (zh) | 一种面向癫痫脑电的识别方法 | |
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 | |
Zhang et al. | Patient-specific ECG classification based on recurrent neural networks and clustering technique | |
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 | |
Kumar et al. | OPTICAL+: a frequency-based deep learning scheme for recognizing brain wave signals | |
Rejer | EEG feature selection for BCI based on motor imaginary task | |
CN109492546A (zh) | 一种融合小波包与互信息的生物信号特征提取方法 | |
CN112990008B (zh) | 基于三维特征图和卷积神经网络的情绪识别方法及系统 | |
CN116304815A (zh) | 一种基于自注意力机制和并行卷积的运动想象脑电信号分类方法 | |
Hwaidi et al. | A noise removal approach from eeg recordings based on variational autoencoders | |
Yulita et al. | A quantization of deep belief networks for long short-term memory in sleep stage detection | |
Pan et al. | Recognition of human inner emotion based on two-stage FCA-ReliefF feature optimization | |
CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
Khalkhali et al. | Low latency real-time seizure detection using transfer deep learning | |
Yuan et al. | Automatic Seizure Detection Using Logarithmic Euclidean-Gaussian Mixture Models (LE-GMMs) and Improved Deep Forest Learning | |
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 | |
CN114287937A (zh) | 一种基于多模态卷积神经网络的情绪识别方法 | |
CN116028874A (zh) | 一种轻量化的运动想象脑电信号分类方法 | |
Tang et al. | A channel selection method for event related potential detection based on random forest and genetic algorithm | |
Zhang et al. | Effects of Data Augmentation with the BNNSMOTE Algorithm in Seizure Detection Using 1D-MobileNet | |
Sokhal et al. | Classification of EEG signals using empirical mode decomposition and lifting wavelet transforms | |
Sansiagi et al. | Post-Stroke identification of EEG signals using recurrent neural networks and long short-term memory | |
CN116595455B (zh) | 基于时空频特征提取的运动想象脑电信号分类方法及系统 | |
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 | |
Amalia et al. | Identification Post-Stroke of Motor Imagery and Asynchrony of Channel Pairs using Multiple RNN |
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 |