CN114841191A - 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法 - Google Patents
基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法 Download PDFInfo
- Publication number
- CN114841191A CN114841191A CN202210271015.6A CN202210271015A CN114841191A CN 114841191 A CN114841191 A CN 114841191A CN 202210271015 A CN202210271015 A CN 202210271015A CN 114841191 A CN114841191 A CN 114841191A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram signal
- electroencephalogram
- fully
- neural network
- signal data
- 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
-
- 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
-
- 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
- A61B5/24—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]
- A61B5/372—Analysis of electroencephalograms
-
- 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
-
- 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
- A61B5/7264—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
- G06F18/21—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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Neurology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Computing 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全连接脉冲神经网络的癫痫脑电信号特征压缩方法,包括:获取原始脑电信号数据;对原始脑电信号数据进行数据切分,并对切分后的每个脑电信号数据片段分别进行滤波处理,得到每个脑电信号数据片段对应的不同频带下的脑电数据;对每个脑电信号数据片段对应的不同频带下的脑电数据求解功率,得到每个脑电信号数据片段的特征向量;将特征向量作为训练数据集输入构建的全连接脉冲神经网络中进行训练;利用训练完成的全连接脉冲神经网络,对提取的待检测的脑电信号数据的特征向量进行特征压缩,得到脉冲发射个数,脉冲发射个数作为后续SVM分类器的输入特征向量。本发明的癫痫脑电信号特征压缩方法,降低了癫痫监测模型的计算难度。
Description
技术领域
本发明属于基于深度神经网络的脑机接口技术领域,具体涉及一种基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法。
背景技术
癫痫是一种中枢神经系统的慢性疾病,是个体容易反复发作,也是全球最常见的神经系统疾病之一。脑电图是对大脑内神经元产生电活动的多通道记录,不同的通道反映大脑不同区域的活动。通常在癫痫发作时,脑电通道会表现出反映潜在神经元超同步性的节律活动,且涉及脑电通道的位置和节律活动的频谱内容都因个体而异。
基于此研究人员对脑电癫痫信号进行了详细的研究,提出了癫痫监测模型以实现对脑电癫痫信号的分析,对于脑电癫痫信号特征提取,常见于脑电癫痫信号的时域特征和频域特征,但是对于上述特征,在利用支持向量机进行分类的时候,特征向量维度过多,导致癫痫监测模型的计算量较大,增大了癫痫监测模型的计算难度。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法。本发明要解决的技术问题通过以下技术方案实现:
本发明提供了一种基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,包括:
S1:获取原始脑电信号数据,所述原始脑电信号数据包括多个通道的脑电信号数据;
S2:对所述原始脑电信号数据进行数据切分,并对切分后的每个脑电信号数据片段分别进行滤波处理,得到每个所述脑电信号数据片段对应的不同频带下的脑电数据;
S3:对每个所述脑电信号数据片段对应的不同频带下的脑电数据求解功率,得到每个所述脑电信号数据片段的特征向量;
S4:将所述特征向量作为训练数据集输入构建的全连接脉冲神经网络中进行训练;
S5:利用训练完成的全连接脉冲神经网络,对提取的待检测的脑电信号数据的特征向量进行特征压缩,得到脉冲发射个数,所述脉冲发射个数作为后续SVM分类器的输入特征向量。
在本发明的一个实施例中,所述S2包括:
S21:对所述原始脑电信号数据进行数据切分,得到多个脑电信号数据片段,每个所述脑电信号数据片段均包括多个采样点、多个通道的脑电信号数据;
S22:对每个所述脑电信号数据片段中每个通道的脑电信号数据,按照预设的频带分别进行滤波处理,得到每个所述脑电信号数据片段对应的不同频带下的脑电数据。
在本发明的一个实施例中,所述S3包括:
利用平均周期求解功率值的方法对每个所述脑电信号数据片段对应的不同频带下的脑电数据求解功率,得到每个所述脑电信号数据片段的特征向量,该特征向量为C*f维,其中,C表示通道数,f表示预设的频带数。
在本发明的一个实施例中,所述全连接脉冲神经网络包括连接的编码层、隐藏层、抑制层和脉冲输出层,每一层的神经元采用全连接方式连接。
在本发明的一个实施例中,所述编码层的神经元个数为184,所述隐藏层的神经元个数为80,所述抑制层的神经元个数为80,所述输出层的神经元个数为2。
在本发明的一个实施例中,所述S4包括:
S41:对所述特征向量进行预处理,将所述特征向量转换为所述全连接脉冲神经网络的编码层神经元的发射频率;
S42:将预处理后的所述特征向量作为训练数据集输入所述全连接脉冲神经网络进行训练。
在本发明的一个实施例中,在训练过程中,所述隐藏层采用STDP的学习方式进行训练,调整学习率随着训练次数而不断降低以至隐藏层收敛后,利用强化学习训练输出层直至收敛,统计输出层的脉冲发射个数作为所述输出层的输出结果。
与现有技术相比,本发明的有益效果在于:
本发明的基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,可以在保持一个较高性能的基础上,有效减少利用SVM对癫痫脑电信号分类时的特征向量,进而减少癫痫监测模型的计算量,降低癫痫监测模型的计算难度,有利于提升相关实时监测设备的待机时长,降低部署复杂度,进而更好地支撑相关的脑机接口应用研究。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1是本发明实施例提供的一种基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法的示意图;
图2是本发明实施例提供的一种全连接脉冲神经网络的结构示意图;
图3是本发明实施例提供的一种基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法的流程图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及具体实施方式,对依据本发明提出的一种基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效,在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明,可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解,然而所附附图仅是提供参考与说明之用,并非用来对本发明的技术方案加以限制。
实施例一
请参见图1,图1是本发明实施例提供的一种基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法的示意图,如图所示,本实施例的基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,包括:
S1:获取原始脑电信号数据,原始脑电信号数据包括多个通道的脑电信号数据;
脑电信号数据是通过对大脑内神经元产生电活动的多通道的EEG信号采集记录得到的,通常情况下记录采用国际10-20系统定位的23通道的EEG信号。
S2:对原始脑电信号数据进行数据切分,并对切分后的每个脑电信号数据片段分别进行滤波处理,得到每个脑电信号数据片段对应的不同频带下的脑电数据;
具体地,包括:
S21:对原始脑电信号数据进行数据切分,得到多个脑电信号数据片段,每个脑电信号数据片段均包括多个采样点、多个通道的脑电信号数据;
S22:对每个脑电信号数据片段中每个通道的脑电信号数据,按照预设的频带分别进行滤波处理,得到每个脑电信号数据片段对应的不同频带下的脑电数据。
可选地,在0-25Hz设置8个频带,利用巴特沃斯带通滤波器对每个脑电信号数据片段中每个通道的脑电信号数据分别进行8次滤波,得到每个脑电信号数据片段对应的8个频带下的脑电数据。
需要说明的是,在对原始脑电信号数据进行数据切分后需要对其添加分类标签,以用于后续SVM分类器的训练,分类标签为癫痫发作/正常
S3:对每个脑电信号数据片段对应的不同频带下的脑电数据求解功率,得到每个脑电信号数据片段的特征向量;
在本实施例中,利用平均周期求解功率值的方法对每个脑电信号数据片段对应的不同频带下的脑电数据求解功率,得到每个脑电信号数据片段的特征向量,该特征向量为C*f维,其中,C表示通道数,f表示预设的频带数。
S4:将特征向量作为训练数据集输入构建的全连接脉冲神经网络中进行训练;
具体地,包括:
S41:对特征向量进行预处理,将特征向量转换为全连接脉冲神经网络的编码层神经元的发射频率;
在本实施例中,对C*f维的特征向量乘以系数作为全连接脉冲神经网络的编码层神经元的发射频率,可选地,系数k=0.005。
S42:将预处理后的特征向量作为训练数据集输入全连接脉冲神经网络进行训练。
请结合参见图2,图2是本发明实施例提供的一种全连接脉冲神经网络的结构示意图,如图所示,本实施例的全连接脉冲神经网络包括连接的编码层、隐藏层、抑制层和脉冲输出层,每一层的神经元采用全连接方式连接。
对于全连接脉冲神经网络,在每个时间步长下,突触后神经元会接收到突触前神经元发射的脉冲从而使其电位值发生变化,当电位值超过设定的阈值时,其发射脉冲并向后传递信息。
在本实施例中,编码层对神经元的发射频率进行处理转换为离散的脉冲序列,隐藏层、抑制层和脉冲输出层依次对转换得到的离散脉冲序列进行处理最终得到输出层各神经元的脉冲发射个数。
可选地,编码层的神经元个数为184,隐藏层的神经元个数为80,抑制层的神经元个数为80,输出层的神经元个数为2。
进一步地,在训练过程中,隐藏层采用STDP的学习方式进行训练,调整学习率随着训练次数而不断降低以至隐藏层收敛后,利用强化学习训练输出层直至收敛,统计输出层的脉冲发射个数作为输出层的输出结果。
S5:利用训练完成的全连接脉冲神经网络,对提取的待检测的脑电信号数据的特征向量进行特征压缩,得到脉冲发射个数,脉冲发射个数作为后续SVM分类器的输入特征向量。
在本实施例中,对待检测的脑电信号数据提取特征向量与上述对原始脑电信号数据的特征向量提取类似,在此不做赘述。
本实施例的基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,利用上述训练完成的全连接脉冲神经网络对提取的待检测的脑电信号数据的特征向量进行特征压缩,得到脉冲发射个数,并将该脉冲发射个数作为后续SVM分类器的输入特征向量,可以在保持一个较高性能的基础上,有效减少利用SVM对癫痫脑电信号分类时的特征向量,进而减少癫痫监测模型的计算量,降低癫痫监测模型的计算难度,有利于提升相关实时监测设备的待机时长,降低部署复杂度,进而更好地支撑相关的脑机接口应用研究。
需要说明的是,利用SVM分类器对癫痫脑电信号进行分类时,需要对其进行训练,可选地,在本实施例中,在对全连接脉冲神经网络训练完成之后,统计训练数据集在全连接脉冲神经网络输出的脉冲发射个数,将所述脉冲发射个数作为SVM训练集,输入SVM分类器,并设定惩罚系数和和函数后进行训练,具体训练方法与现有的SVM分类器训练方法类似,在此不做赘述。
实施例二
本实施例结合具体脑电信号数据对实施例一的基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法进行说明。请结合参见图3,图3是本发明实施例提供的一种基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法的流程图,如图所示,本实施例的基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,包括:
步骤1:选取CHB-MIT波士顿儿童医院的开源癫痫EEG脑电数据作为原始脑电信号数据集,该原始脑电信号数据集记录了23个病例的长时间、连续的癫痫发作记录,采样率为256,记录采用国际10-20系统定位的23通道EEG信号。
在本实施例中,考虑到不同患者在癫痫发作时其脑电波具有特异性,选取1号患者的脑电信号数据输入全连接脉冲神经网络进行学习和测试。选取时间窗口为2ms,对该脑电信号数据进行切分,切分后的每个脑电信号数据片段的采样点M=512,通道C=23,并对其添加分类标签(癫痫发作/正常)。在本实施例中,1200个样本作为训练集(40min),5400个样本作为测试集(180min)。
步骤2:对每个样本提取频域特征,从0-25Hz设置f=8个频带,采用巴特沃斯带通滤波器对23个通道分别进行8次滤波,然后用平均周期求功率的方法得到23个通道在8个频带内的平均功率,即得到每个样本的23*8维特征向量。
步骤3:设置全连接脉冲神经网络的编码层神经元为184,隐藏层层神经元的个数为80,抑制层神经元个数为80,输出层层神经元个数为2,前后神经元采用全连接方式连接。在每个时间步长下,突触后神经元会接收到突触前神经元发射的脉冲从而使其电位值发生变化,当电位值超过设定的阈值时,其发射脉冲并向后传递信息。
需要说明的是,通过观察发现,癫痫发作时其功率值普遍大于正常信号的功率值,但考虑到患者所处时间不同、生理活动不同,该情况并不一定成立。因此,在本实施例中,设置一个功率阈值,在保证癫痫发作样本不被滤除的情况下,初步筛选掉功率值较低的正常样本用于简化分类的流程。
步骤4:对训练集每个样本的23*8维特征向量乘以系数(系数k=0.005)作为脉冲神经网络编码层神经元的发射频率,将其输入确定好的全连接脉冲神经网络进行训练。
具体地,隐藏层采用STDP的学习方式进行训练,调整学习率随着训练次数而不断降低从而使得学习过程更加精细化至隐藏层收敛后,利用强化学习不断“试错”的原理训练输出层直至收敛,最后统计训练集每个样本的输出层的脉冲发射个数作为特征向量输入SVM分类器,并设定惩罚系数和和函数后并对SVM分类器进行训练。
步骤5、对全连接脉冲神经网络训练完成后,固定全连接脉冲神经网络各层的权重,将测试集样本输入训练完成的全连接脉冲神经网络中,并统计其对应输出层的脉冲发射个数,作为SVM测试集,将SVM测试集输入至训练完成的SVM分类器进行分类,并根据混淆矩阵进行性能分析,根据混淆矩阵得出SVM分类器的sensitivity(灵敏度)为90%、specificity(特异性)为85%、accuracy(准确率)为90%,均有不错的表现。
应当说明的是,在本文中,术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,其特征在于,包括:
S1:获取原始脑电信号数据,所述原始脑电信号数据包括多个通道的脑电信号数据;
S2:对所述原始脑电信号数据进行数据切分,并对切分后的每个脑电信号数据片段分别进行滤波处理,得到每个所述脑电信号数据片段对应的不同频带下的脑电数据;
S3:对每个所述脑电信号数据片段对应的不同频带下的脑电数据求解功率,得到每个所述脑电信号数据片段的特征向量;
S4:将所述特征向量作为训练数据集输入构建的全连接脉冲神经网络中进行训练;
S5:利用训练完成的全连接脉冲神经网络,对提取的待检测的脑电信号数据的特征向量进行特征压缩,得到脉冲发射个数,所述脉冲发射个数作为后续SVM分类器的输入特征向量。
2.根据权利要求1所述的基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,其特征在于,所述S2包括:
S21:对所述原始脑电信号数据进行数据切分,得到多个脑电信号数据片段,每个所述脑电信号数据片段均包括多个采样点、多个通道的脑电信号数据;
S22:对每个所述脑电信号数据片段中每个通道的脑电信号数据,按照预设的频带分别进行滤波处理,得到每个所述脑电信号数据片段对应的不同频带下的脑电数据。
3.根据权利要求1所述的基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,其特征在于,所述S3包括:
利用平均周期求解功率值的方法对每个所述脑电信号数据片段对应的不同频带下的脑电数据求解功率,得到每个所述脑电信号数据片段的特征向量,该特征向量为C*f维,其中,C表示通道数,f表示预设的频带数。
4.根据权利要求1所述的基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,其特征在于,所述全连接脉冲神经网络包括连接的编码层、隐藏层、抑制层和脉冲输出层,每一层的神经元采用全连接方式连接。
5.根据权利要求4所述的基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,其特征在于,所述编码层的神经元个数为184,所述隐藏层的神经元个数为80,所述抑制层的神经元个数为80,所述输出层的神经元个数为2。
6.根据权利要求4所述的基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,其特征在于,所述S4包括:
S41:对所述特征向量进行预处理,将所述特征向量转换为所述全连接脉冲神经网络的编码层神经元的发射频率;
S42:将预处理后的所述特征向量作为训练数据集输入所述全连接脉冲神经网络进行训练。
7.根据权利要求6所述的基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法,其特征在于,在训练过程中,所述隐藏层采用STDP的学习方式进行训练,调整学习率随着训练次数而不断降低以至隐藏层收敛后,利用强化学习训练输出层直至收敛,统计输出层的脉冲发射个数作为所述输出层的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210271015.6A CN114841191A (zh) | 2022-03-18 | 2022-03-18 | 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210271015.6A CN114841191A (zh) | 2022-03-18 | 2022-03-18 | 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841191A true CN114841191A (zh) | 2022-08-02 |
Family
ID=82561879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210271015.6A Pending CN114841191A (zh) | 2022-03-18 | 2022-03-18 | 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841191A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115429293A (zh) * | 2022-11-04 | 2022-12-06 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
CN117493955A (zh) * | 2023-11-01 | 2024-02-02 | 北京大学 | 一种癫痫患者的脑电信号分类模型的训练方法 |
CN118021324A (zh) * | 2024-04-11 | 2024-05-14 | 安徽大学 | 一种基于混合脉冲深层网络的癫痫脑电信号识别方法 |
-
2022
- 2022-03-18 CN CN202210271015.6A patent/CN114841191A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115429293A (zh) * | 2022-11-04 | 2022-12-06 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
CN115429293B (zh) * | 2022-11-04 | 2023-04-07 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
CN117493955A (zh) * | 2023-11-01 | 2024-02-02 | 北京大学 | 一种癫痫患者的脑电信号分类模型的训练方法 |
CN117493955B (zh) * | 2023-11-01 | 2024-06-07 | 北京大学 | 一种癫痫患者的脑电信号分类模型的训练方法 |
CN118021324A (zh) * | 2024-04-11 | 2024-05-14 | 安徽大学 | 一种基于混合脉冲深层网络的癫痫脑电信号识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844755B (zh) | 一种结合dae和cnn的脑电信号特征提取与分类方法 | |
CN110584649B (zh) | 一种动态单导心电图中异常心电信号识别方法及系统 | |
CN109389059B (zh) | 一种基于cnn-lstm网络的p300检测方法 | |
CN114841191A (zh) | 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法 | |
US10433752B2 (en) | Method for the real-time identification of seizures in an electroencephalogram (EEG) signal | |
CN109498041B (zh) | 基于脑电与脉搏信息的驾驶员路怒状态识别方法 | |
CN111134662B (zh) | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 | |
Übeyli | Analysis of EEG signals by implementing eigenvector methods/recurrent neural networks | |
Kumari et al. | Seizure detection in EEG using time frequency analysis and SVM | |
CN110960191A (zh) | 一种基于频谱能量图的癫痫脑电信号分类方法 | |
CN112884063B (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
CN115359909A (zh) | 一种基于注意力机制的癫痫发作检测系统 | |
CN114564990A (zh) | 一种基于多通道反馈胶囊网络的脑电信号分类方法 | |
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 | |
Peh et al. | Transformer convolutional neural networks for automated artifact detection in scalp EEG | |
Ince et al. | Automated patient-specific classification of premature ventricular contractions | |
CN113011330B (zh) | 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 | |
Guntari et al. | Classification of post-stroke EEG signal using genetic algorithm and recurrent neural networks | |
CN113208629A (zh) | 一种基于eeg信号的阿尔兹海默症筛查方法及系统 | |
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 | |
CN115414054A (zh) | 基于前馈脉冲神经网络的癫痫脑电检测系统 | |
Polikar et al. | Multiresolution wavelet analysis of ERPs for the detection of Alzheimer's disease | |
Daoud et al. | Semi-supervised learning for epileptic focus localization using deep convolutional autoencoder | |
CN115462803A (zh) | 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质 | |
Wei et al. | Automatic recognition of chewing noises in epileptic EEG based on period segmentation |
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 |