CN113712542A - 基于深度学习的耳鸣脑电图卷积神经网络模型构建方法 - Google Patents
基于深度学习的耳鸣脑电图卷积神经网络模型构建方法 Download PDFInfo
- Publication number
- CN113712542A CN113712542A CN202110998471.6A CN202110998471A CN113712542A CN 113712542 A CN113712542 A CN 113712542A CN 202110998471 A CN202110998471 A CN 202110998471A CN 113712542 A CN113712542 A CN 113712542A
- Authority
- CN
- China
- Prior art keywords
- tinnitus
- neural network
- convolutional neural
- electroencephalogram
- 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.)
- 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
- A61B5/12—Audiometering
- A61B5/128—Audiometering evaluating tinnitus
-
- 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
- A61B5/72—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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychology (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,属于脑电图数据分析技术领域,对耳鸣脑电图卷积神经网络模型先进行分类处理,再对耳鸣脑电图卷积神经网络模型后进行分级处理。该基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,通过从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集,划分多个测试集以及训练集,获得训练得到的卷积神经网络分类模型以及卷积神经网络分级模型,并经过参数的更新与优化,获得用于耳鸣脑电图分级分类的新的卷积神经网络模型,在测试集上卷积神经网络模型的性能,筛选出最优卷积神经网络耳鸣分级分类模型,经过长期训练模型达到提高耳鸣识别速度和识别结果准确性的目的。
Description
技术领域
本发明属于脑电图数据分析技术领域,具体为一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法。
背景技术
随着饮食习惯的改变,工业化程度增加造成的心理精神压力加大,环境噪声的影响以及耳机的过度使用,耳鸣的发病率逐年增加且有年轻化的趋势。在全球范围内,有10%-20%的普通人群患有耳鸣,其中10%的患者伴有心烦、焦虑、抑郁、认知功能障碍、失眠、压力和情绪衰竭等症状,导致患者的生活质量大幅度下降。
耳鸣是一种比较主观的感觉,在临床检测上,目前没有标准的耳鸣诊断标准。脑电图作为一种无创的功能成像手段,在耳鸣的辅助诊断中得到了迅速的发展和广泛的应用,与其他脑生理参数采集相比,脑电信号具有时间分辨率高、成本低以及设备的便携性等优点,被广泛应用于耳鸣患者的脑电活动的研究。一般在利用脑电信号进行耳鸣识别的时候,是采用支持向量机算法配合脑电信号的时频域特征进行识别,识别速度较慢且识别结果准确性较低
为了解决上述问题,本发明在基于脑电图进行耳鸣患者的脑电活动研究时,可以基于深度学习对脑电图的图像进行训练各种任务,用于提高耳鸣识别速度和识别结果准确性。
发明内容
针对现有技术的不足,本发明提供了一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,对耳鸣脑电图卷积神经网络模型先进行分类处理,包括以下步骤:
步骤A:从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集,将数据集划分为测试集以及训练集;
步骤B:加载预训练的卷积神经网络分类模型,在所得到的训练集上微调预训练的卷积神经网络分类模型,获得训练得到的卷积神经网络分类模型;
步骤C:在测试集上验证步骤B中训练得到的卷积神经网络分类模型的性能,筛选出最优卷积神经网络分类模型。
进一步优化本技术方案,所述步骤A中构建耳鸣脑电数据集的方法包括以下步骤:
a1:利用医院耳鼻喉科的耳鸣脑电数据库,获取耳鸣患者的脑电数据组成耳鸣脑电数据集;
a2:利用医院耳鼻喉科的正常脑电数据库,获取正常人的脑电数据组成正常脑电数据集;
a3:使用MATLAB for R2013a和EEGLAB for v13.0.0工具箱对耳鸣组和正常组的脑电数据进行预处理并筛除伪迹较多的数据,将取样率降低为250Hz/s,带通滤波0.5~80Hz,以双侧乳突E56和E107为参考电极进行重参考,使用独立成分分析算法去除数据中的眨眼、眼球运动以及心跳影响的参数,对数据进行分段,一段的时间为两秒;
a4:随机选取耳鸣脑电数据集和正常脑电数据集的脑电数据,使用交叉验证方法,划分多个测试集以及训练集。
进一步优化本技术方案,所述步骤B中卷积神经网络分类模型的训练方法包括以下步骤:
b1:加载预训练的卷积神经网络分类模型,每层GCN后均加上BN层,3层GCN提取空间特征后将数据输入长短期记忆网络来提取时间关联,再用注意力机制加权求得最终的特征向量,最后输入2层全卷积网络;
b2:微调预训练的卷积神经网络分类模型,经过参数的更新与优化,获得用于耳鸣脑电图分类的新的卷积神经网络模型;
b3:在每个构建的训练集上训练获得的新的卷积神经网络分类模型,获得训练得到的卷积神经网络分类模型。
进一步优化本技术方案,所述步骤C中验证步骤B训练得到的神经网络分类模型性能方法包括以下步骤:
c1:使用准确率评估训练得到的卷积神经网络模型在多折交叉验证的性能,准确率最高的卷积神经网络模型即为最优卷积神经网络模型;
c2:验证该最优卷积神经网络模型的性能,绘出最优卷积神经网络模型的ROC曲线图。
进一步优化本技术方案,对耳鸣脑电图卷积神经网络模型后进行分级处理,包括以下步骤:
步骤A:从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集,将数据集划分为测试集以及训练集;
步骤B:加载预训练的卷积神经网络耳鸣分级模型,在所得到的训练集上微调预训练的卷积神经网络耳鸣分级模型,获得训练得到的卷积神经网络耳鸣分级模型;
步骤C:在测试集上验证步骤B训练得到的卷积神经网络耳鸣分级模型的性能,筛选出最优卷积神经网络耳鸣分级模型。
进一步优化本技术方案,对耳鸣脑电图卷积神经网络模型后进行分级处理的步骤中,所述步骤A中构建耳鸣脑电数据集的方法包括以下步骤:
a1:利用医院耳鼻喉科的耳鸣脑电数据库,获取耳鸣患者的脑电数据组成耳鸣脑电数据集;
a2:根据THI量表得分将耳鸣患者分为轻微耳鸣、轻度耳鸣、中度耳鸣、重度耳鸣、灾难性耳鸣五种类型,获取其脑电数据组成相应的耳鸣分级脑电数据集;
a3:使用MATLAB for R2013a和EEGLAB for v13.0.0工具箱对耳鸣患者的脑电数据进行预处理并筛除伪迹较多的数据,将取样率降低为250Hz/s,带通滤波0.5~80Hz,以双侧乳突E56和E107为参考电极进行重参考,使用独立成分分析算法去除数据中的眨眼、眼球运动、心跳影响的参数,对数据进行分段,一段的时间为两秒。
进一步优化本技术方案,对耳鸣脑电图卷积神经网络模型后进行分级处理的步骤中,所述步骤B中卷积神经网络耳鸣分级模型的训练方法包括以下步骤:
b1:加载预训练的卷积神经网络耳鸣分级模型,每层GCN后均加上BN层,3层GCN提取空间特征后将数据输入长短期记忆网络来提取时间关联,再用注意力机制加权求得最终的特征向量,最后输入2层全卷积网络;
b2:微调预训练的卷积神经网络耳鸣分级模型,经过参数的更新与优化,获得用于耳鸣脑电图分级分类的新的卷积神经网络模型;
b3:在每个构建的训练集上训练获得的新的卷积神经网络耳鸣分级模型,获得训练得到的卷积神经网络耳鸣分级模型。
进一步优化本技术方案,对耳鸣脑电图卷积神经网络模型后进行分级处理的步骤中,所述步骤C中验证步骤B训练得到的神经网络分级模型性能方法包括以下步骤:
c1:使用准确率评估训练得到的卷积神经网络模型在多折交叉验证的性能,准确率最高的卷积神经网络模型即为最优卷积神经网络模型;
c2:验证该最优卷积神经网络模型的性能,绘出最优卷积神经网络模型的ROC曲线图。
与现有技术相比,本发明提供了一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,具备以下有益效果:
该基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,通过从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集,划分多个测试集以及训练集,获得训练得到的卷积神经网络分类模型以及卷积神经网络分级模型,并经过参数的更新与优化,获得用于耳鸣脑电图分级分类的新的卷积神经网络模型,在测试集上卷积神经网络模型的性能,筛选出最优卷积神经网络耳鸣分级分类模型,经过长期训练模型达到提高耳鸣识别速度和识别结果准确性的目的。
附图说明
图1为本发明提出的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法中构建卷积神经网络分类模型的流程示意图;
图2为本发明提出的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法中卷积神经网络分类模型的构建耳鸣脑电数据集的流程示意图;
图3为本发明提出的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法中卷积神经网络分类模型训练的流程示意图;
图4为本发明提出的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法中验证神经网络分类模型性能的流程示意图;
图5为本发明提出的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法中构建卷积神经网络分级模型的流程示意图;
图6为本发明提出的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法中卷积神经网络分级模型的构建耳鸣脑电数据集的流程示意图;
图7为本发明提出的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法中卷积神经网络分级模型训练的流程示意图;
图8为本发明提出的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法中验证神经网络分级模型性能的流程示意图。
具体实施方式
下面将结合本发明的实施例,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。
实施例一:
请参阅图1,对耳鸣脑电图卷积神经网络模型先进行分类处理,包括以下步骤:
步骤A:从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集,将数据集划分为测试集以及训练集;
其中,如图2所示,构建耳鸣脑电数据集的方法包括以下步骤:
a1:利用医院耳鼻喉科的耳鸣脑电数据库,获取耳鸣患者的脑电数据组成耳鸣脑电数据集;
a2:利用医院耳鼻喉科的正常脑电数据库,获取正常人的脑电数据组成正常脑电数据集;
a3:使用MATLAB for R2013a和EEGLAB for v13.0.0工具箱对耳鸣组和正常组的脑电数据进行预处理并筛除伪迹较多的数据,将取样率降低为250Hz/s,带通滤波0.5~80Hz,以双侧乳突E56和E107为参考电极进行重参考,使用独立成分分析算法(independentcomponent analysis,ICA)去除数据中的眨眼、眼球运动以及心跳影响的参数,对数据进行分段,一段的时间为两秒;
a4:随机选取耳鸣脑电数据集和正常脑电数据集的脑电数据,使用交叉验证方法,划分多个测试集以及训练集。
步骤B:加载预训练的卷积神经网络分类模型,在所得到的训练集上微调预训练的卷积神经网络分类模型,获得训练得到的卷积神经网络分类模型;
其中,如图3所示,所述步骤B中卷积神经网络分类模型的训练方法包括以下步骤:
b1:加载预训练的卷积神经网络分类模型,每层GCN(图卷积网络)后均加上BN层(Batch Normalization,批标准化),3层GCN提取空间特征后将数据输入长短期记忆网络(LSTM,Long Short-Term Memory)来提取时间关联,再用注意力机制(Attentionmechanism)加权求得最终的特征向量,最后输入2层全卷积网络(fully convolutionalnetworks);
b2:微调预训练的卷积神经网络分类模型,经过参数的更新与优化,获得用于耳鸣脑电图分类的新的卷积神经网络模型;
b3:在每个构建的训练集上训练获得的新的卷积神经网络分类模型,获得训练得到的卷积神经网络分类模型。
步骤C:在测试集上验证步骤B中训练得到的卷积神经网络分类模型的性能,筛选出最优卷积神经网络分类模型。
其中,如图4所示,所述步骤C中验证步骤B训练得到的神经网络分类模型性能方法包括以下步骤:
c1:使用准确率评估训练得到的卷积神经网络模型在多折交叉验证的性能,准确率最高的卷积神经网络模型即为最优卷积神经网络模型;
c2:验证该最优卷积神经网络模型的性能,绘出最优卷积神经网络模型的ROC曲线图。
基于上述构建后,得到耳鸣脑电图的最优卷积神经网络分类模型。
实施例二:
请参阅图5,基于实施例一得到的耳鸣脑电图的最优卷积神经网络分类模型,对耳鸣脑电图卷积神经网络模型进行分级处理,包括以下步骤:
步骤A:从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集,将数据集划分为测试集以及训练集;
其中,如图6所示,构建耳鸣脑电数据集的方法包括以下步骤:
a1:利用医院耳鼻喉科的耳鸣脑电数据库,获取耳鸣患者的脑电数据组成耳鸣脑电数据集;
a2:根据THI量表得分将耳鸣患者分为轻微耳鸣、轻度耳鸣、中度耳鸣、重度耳鸣、灾难性耳鸣五种类型,获取其脑电数据组成相应的耳鸣分级脑电数据集;
a3:使用MATLAB for R2013a和EEGLAB for v13.0.0工具箱对耳鸣患者的脑电数据进行预处理并筛除伪迹较多的数据,将取样率降低为250Hz/s,带通滤波0.5~80Hz,以双侧乳突E56和E107为参考电极进行重参考,使用独立成分分析算法(independentcomponent analysis,ICA)去除数据中的眨眼、眼球运动、心跳影响的参数,对数据进行分段,一段的时间为两秒。
步骤B:加载预训练的卷积神经网络耳鸣分级模型,在所得到的训练集上微调预训练的卷积神经网络耳鸣分级模型,获得训练得到的卷积神经网络耳鸣分级模型;
其中,如图7所示,针对步骤B中卷积神经网络耳鸣分级模型的训练方法包括以下步骤:
b1:加载预训练的卷积神经网络耳鸣分级模型,每层GCN(图卷积网络)后均加上BN层(Batch Normalization,批标准化),3层GCN提取空间特征后将数据输入长短期记忆网络(LSTM,Long Short-Term Memory)来提取时间关联,再用注意力机制(Attentionmechanism)加权求得最终的特征向量,最后输入2层全卷积网络(fully convolutionalnetworks);
b2:微调预训练的卷积神经网络耳鸣分级模型,经过参数的更新与优化,获得用于耳鸣脑电图分级分类的新的卷积神经网络模型;
b3:在每个构建的训练集上训练获得的新的卷积神经网络耳鸣分级模型,获得训练得到的卷积神经网络耳鸣分级模型。
步骤C:在测试集上验证步骤B训练得到的卷积神经网络耳鸣分级模型的性能,筛选出最优卷积神经网络耳鸣分级模型。
其中,如图8所示,针对步骤C中验证步骤B训练得到的神经网络分级模型性能方法包括以下步骤:
c1:使用准确率评估训练得到的卷积神经网络模型在多折交叉验证的性能,准确率最高的卷积神经网络模型即为最优卷积神经网络模型;
c2:验证该最优卷积神经网络模型的性能,绘出最优卷积神经网络模型的ROC曲线图。
基于上述构建后,得到耳鸣脑电图的最优卷积神经网络分级分类模型,并最终形成带有分级、分类的基于深度学习的耳鸣脑电图卷积神经网络模型,先基于数据库获取耳鸣患者的脑电数据组成耳鸣脑电数据集和正常人的脑电数据组成正常脑电数据集,并进行分类对比,确定患者是否存在耳鸣问题,若确定存在耳鸣问题,则将患者的耳鸣程度分为轻微耳鸣、轻度耳鸣、中度耳鸣、重度耳鸣、灾难性耳鸣五种级别类型,并对级别进行确定,达到提高耳鸣识别速度和识别结果准确性的目的。
本发明的有益效果是:该基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,通过从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集,划分多个测试集以及训练集,获得训练得到的卷积神经网络分类模型以及卷积神经网络分级模型,并经过参数的更新与优化,获得用于耳鸣脑电图分级分类的新的卷积神经网络模型,在测试集上卷积神经网络模型的性能,筛选出最优卷积神经网络耳鸣分级分类模型,经过长期训练模型达到提高耳鸣识别速度和识别结果准确性的目的。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,其特征在于,对耳鸣脑电图卷积神经网络模型先进行分类处理,包括以下步骤:
步骤A:从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集,将数据集划分为测试集以及训练集;
步骤B:加载预训练的卷积神经网络分类模型,在所得到的训练集上微调预训练的卷积神经网络分类模型,获得训练得到的卷积神经网络分类模型;
步骤C:在测试集上验证步骤B中训练得到的卷积神经网络分类模型的性能,筛选出最优卷积神经网络分类模型。
2.根据权利要求1所述的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,其特征在于,所述步骤A中构建耳鸣脑电数据集的方法包括以下步骤:
a1:利用医院耳鼻喉科的耳鸣脑电数据库,获取耳鸣患者的脑电数据组成耳鸣脑电数据集;
a2:利用医院耳鼻喉科的正常脑电数据库,获取正常人的脑电数据组成正常脑电数据集;
a3:使用MATLAB for R2013a和EEGLAB for v13.0.0工具箱对耳鸣组和正常组的脑电数据进行预处理并筛除伪迹较多的数据,将取样率降低为250Hz/s,带通滤波0.5~80Hz,以双侧乳突E56和E107为参考电极进行重参考,使用独立成分分析算法去除数据中的眨眼、眼球运动以及心跳影响的参数,对数据进行分段,一段的时间为两秒;
a4:随机选取耳鸣脑电数据集和正常脑电数据集的脑电数据,使用交叉验证方法,划分多个测试集以及训练集。
3.根据权利要求1所述的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,其特征在于,所述步骤B中卷积神经网络分类模型的训练方法包括以下步骤:
b1:加载预训练的卷积神经网络分类模型,每层GCN后均加上BN层,3层GCN提取空间特征后将数据输入长短期记忆网络来提取时间关联,再用注意力机制加权求得最终的特征向量,最后输入2层全卷积网络;
b2:微调预训练的卷积神经网络分类模型,经过参数的更新与优化,获得用于耳鸣脑电图分类的新的卷积神经网络模型;
b3:在每个构建的训练集上训练获得的新的卷积神经网络分类模型,获得训练得到的卷积神经网络分类模型。
4.根据权利要求1所述的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,其特征在于,所述步骤C中验证步骤B训练得到的神经网络分类模型性能方法包括以下步骤:
c1:使用准确率评估训练得到的卷积神经网络模型在多折交叉验证的性能,准确率最高的卷积神经网络模型即为最优卷积神经网络模型;
c2:验证该最优卷积神经网络模型的性能,绘出最优卷积神经网络模型的ROC曲线图。
5.根据权利要求1所述的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,其特征在于,对耳鸣脑电图卷积神经网络模型后进行分级处理,包括以下步骤:
步骤A:从医院病例数据库中选取耳鸣脑电数据构建耳鸣脑电数据集,将数据集划分为测试集以及训练集;
步骤B:加载预训练的卷积神经网络耳鸣分级模型,在所得到的训练集上微调预训练的卷积神经网络耳鸣分级模型,获得训练得到的卷积神经网络耳鸣分级模型;
步骤C:在测试集上验证步骤B训练得到的卷积神经网络耳鸣分级模型的性能,筛选出最优卷积神经网络耳鸣分级模型。
6.根据权利要求5所述的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,其特征在于,所述步骤A中构建耳鸣脑电数据集的方法包括以下步骤:
a1:利用医院耳鼻喉科的耳鸣脑电数据库,获取耳鸣患者的脑电数据组成耳鸣脑电数据集;
a2:根据THI量表得分将耳鸣患者分为轻微耳鸣、轻度耳鸣、中度耳鸣、重度耳鸣、灾难性耳鸣五种类型,获取其脑电数据组成相应的耳鸣分级脑电数据集;
a3:使用MATLAB for R2013a和EEGLAB for v13.0.0工具箱对耳鸣患者的脑电数据进行预处理并筛除伪迹较多的数据,将取样率降低为250Hz/s,带通滤波0.5~80Hz,以双侧乳突E56和E107为参考电极进行重参考,使用独立成分分析算法去除数据中的眨眼、眼球运动、心跳影响的参数,对数据进行分段,一段的时间为两秒;
a4:随机选取耳鸣分级脑电数据集的脑电数据,使用交叉验证方法,划分多个测试集以及训练集。
7.根据权利要求5所述的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,其特征在于,所述步骤B中卷积神经网络耳鸣分级模型的训练方法包括以下步骤:
b1:加载预训练的卷积神经网络耳鸣分级模型,每层GCN后均加上BN层,3层GCN提取空间特征后将数据输入长短期记忆网络来提取时间关联,再用注意力机制加权求得最终的特征向量,最后输入2层全卷积网络;
b2:微调预训练的卷积神经网络耳鸣分级模型,经过参数的更新与优化,获得用于耳鸣脑电图分级分类的新的卷积神经网络模型;
b3:在每个构建的训练集上训练获得的新的卷积神经网络耳鸣分级模型,获得训练得到的卷积神经网络耳鸣分级模型。
8.根据权利要求5所述的一种基于深度学习的耳鸣脑电图卷积神经网络模型构建方法,其特征在于,所述步骤C中验证步骤B训练得到的神经网络分级模型性能方法包括以下步骤:
c1:使用准确率评估训练得到的卷积神经网络模型在多折交叉验证的性能,准确率最高的卷积神经网络模型即为最优卷积神经网络模型;
c2:验证该最优卷积神经网络模型的性能,绘出最优卷积神经网络模型的ROC曲线图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998471.6A CN113712542A (zh) | 2021-08-27 | 2021-08-27 | 基于深度学习的耳鸣脑电图卷积神经网络模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998471.6A CN113712542A (zh) | 2021-08-27 | 2021-08-27 | 基于深度学习的耳鸣脑电图卷积神经网络模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113712542A true CN113712542A (zh) | 2021-11-30 |
Family
ID=78678655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110998471.6A Pending CN113712542A (zh) | 2021-08-27 | 2021-08-27 | 基于深度学习的耳鸣脑电图卷积神经网络模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113712542A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114700291A (zh) * | 2022-04-07 | 2022-07-05 | 滁州学院 | 一种羽化鸡小胸品质检测方法及分级系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107411738A (zh) * | 2017-04-18 | 2017-12-01 | 天津大学 | 一种基于静息脑电相似性的情绪跨个体识别方法 |
CN110584684A (zh) * | 2019-09-11 | 2019-12-20 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
CN110796249A (zh) * | 2019-09-29 | 2020-02-14 | 中山大学孙逸仙纪念医院 | 一种基于深度学习的耳内镜图像神经网络模型构建方法及智能分类处理方法 |
CN110876626A (zh) * | 2019-11-22 | 2020-03-13 | 兰州大学 | 基于多导联脑电最优导联选择的抑郁检测系统 |
US20200205739A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Method and system for automated quantification of signal quality |
CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
CN113052113A (zh) * | 2021-04-02 | 2021-06-29 | 中山大学 | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 |
CN113180663A (zh) * | 2021-04-07 | 2021-07-30 | 北京脑陆科技有限公司 | 一种基于卷积神经网络的情绪识别方法、系统 |
CN113261979A (zh) * | 2021-07-19 | 2021-08-17 | 季华实验室 | 基于脑电信号的耳鸣识别系统 |
-
2021
- 2021-08-27 CN CN202110998471.6A patent/CN113712542A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107411738A (zh) * | 2017-04-18 | 2017-12-01 | 天津大学 | 一种基于静息脑电相似性的情绪跨个体识别方法 |
US20200205739A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Method and system for automated quantification of signal quality |
CN110584684A (zh) * | 2019-09-11 | 2019-12-20 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
CN110796249A (zh) * | 2019-09-29 | 2020-02-14 | 中山大学孙逸仙纪念医院 | 一种基于深度学习的耳内镜图像神经网络模型构建方法及智能分类处理方法 |
CN110876626A (zh) * | 2019-11-22 | 2020-03-13 | 兰州大学 | 基于多导联脑电最优导联选择的抑郁检测系统 |
CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
CN113052113A (zh) * | 2021-04-02 | 2021-06-29 | 中山大学 | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 |
CN113180663A (zh) * | 2021-04-07 | 2021-07-30 | 北京脑陆科技有限公司 | 一种基于卷积神经网络的情绪识别方法、系统 |
CN113261979A (zh) * | 2021-07-19 | 2021-08-17 | 季华实验室 | 基于脑电信号的耳鸣识别系统 |
Non-Patent Citations (1)
Title |
---|
王文安: "基于图神经网络方法的脑电年龄差异性研究", 《电子科技大学硕士学位论文》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114700291A (zh) * | 2022-04-07 | 2022-07-05 | 滁州学院 | 一种羽化鸡小胸品质检测方法及分级系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kulkarni et al. | Extracting salient features for EEG-based diagnosis of Alzheimer's disease using support vector machine classifier | |
US7761144B2 (en) | Method, apparatus, and computer program product for stochastic psycho-physiological assessment of attentional impairments | |
Lin et al. | Alternative diagnosis of epilepsy in children without epileptiform discharges using deep convolutional neural networks | |
CN108143411A (zh) | 一种面向孤独症诊断的静息态脑电分析系统 | |
US20150245800A1 (en) | Method for Detection Of An Abnormal Sleep Pattern In A Person | |
CN106073706A (zh) | 一种面向简易精神状态量表的个性化信息和音频数据分析方法及系统 | |
CN112932501B (zh) | 一种基于一维卷积神经网络自动识别失眠方法 | |
CN112641451A (zh) | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 | |
CN113288065A (zh) | 一种基于鼾声的实时呼吸暂停及低通气预测方法 | |
CN113729729B (zh) | 基于图神经网络和脑网络的精神分裂症早期检测系统 | |
CN113712542A (zh) | 基于深度学习的耳鸣脑电图卷积神经网络模型构建方法 | |
CN112842363A (zh) | 一种睡眠脑电检测方法及系统 | |
CN111784687A (zh) | 一种基于深度学习的青光眼眼底图像检测方法 | |
Abhishek et al. | Diagnosis of Parkinson’s disorder through speech data using machine learning algorithms | |
CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
Parmar et al. | Significance of pre-processing phase and dimensionality reduction in EEG-based dyslexia diagnosis with novel features | |
Mantri et al. | Real time multimodal depression analysis | |
Lopez et al. | HAPPILEE: the Harvard automated processing pipeline in low electrode electroencephalography, a standardized software for low density EEG and ERP data | |
Buscema et al. | The Implicit Function as Squashing Time Model: A Novel Parallel Nonlinear EEG Analysis Technique Distinguishing Mild Cognitive Impairment and Alzheimer′ s Disease Subjects with High Degree of Accuracy | |
CN110675953B (zh) | 利用人工智能和大数据筛查识别精神病患者的系统 | |
Rao et al. | Parkinson's Disease Detection Using Voice and Spiral Drawing Dataset | |
Abedinzadeh Torghabeh et al. | Hybrid deep transfer learning-based early diagnosis of autism spectrum disorder using scalogram representation of electroencephalography signals | |
Kumar et al. | Early Detection of Parkinsons Using Machine Learning | |
Nikam et al. | A Survey: Feature Extraction Techniques and machine learning models for Depression Analysis | |
Barizão et al. | Voice disorder classification using MLP and wavelet packet transform |
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: 20211130 |
|
RJ01 | Rejection of invention patent application after publication |