癲癇作為一種常見的神經(jīng)系統(tǒng)疾病,發(fā)作時(shí)可導(dǎo)致病人失去意識(shí)、產(chǎn)生運(yùn)動(dòng)障礙、生理失調(diào)等癥狀,對(duì)患者造成極大的傷害。據(jù)世界衛(wèi)生組織統(tǒng)計(jì)的數(shù)據(jù)顯示:全球大約有5千萬人患有癲癇疾病。其中耐藥局灶性癲癇患者占總患者人數(shù)的三分之一左右。手術(shù)治療是耐藥局灶性癲癇患者獲得完全癲癇發(fā)作自由的最佳選擇。而致癇區(qū)定位技術(shù)在手術(shù)治療過程中占有重要地位。然而,傳統(tǒng)的人工分析腦電圖的方法不僅耗費(fèi)時(shí)間長而且容易受到個(gè)人主觀意識(shí)的影響,導(dǎo)致無法正確定位致癇區(qū)。因此,尋找一種高效而準(zhǔn)確的計(jì)算機(jī)自動(dòng)識(shí)別腦電技術(shù)是很有必要的。本文提出了結(jié)合深度學(xué)習(xí)和遷移學(xué)習(xí)識(shí)別致癇區(qū)腦電信號(hào)的方法,首先對(duì)原始致癇區(qū)腦電信號(hào)進(jìn)行時(shí)頻分析,然后遷移學(xué)習(xí)AlexNet及GoogleNet網(wǎng)絡(luò)模型,利用包含兩個(gè)節(jié)點(diǎn)的全連接層,softmax層和最終分類層替換AlexNet網(wǎng)絡(luò)模型的最后三層,并用遷移學(xué)習(xí)AlexNet網(wǎng)絡(luò)的第七層全連接層輸出作為腦電信號(hào)時(shí)頻圖的特征表示。用NewDropout層、包含兩個(gè)節(jié)點(diǎn)的全連接層、softmax層和分類層替換GoogleNet網(wǎng)絡(luò)模型的最后三層,將遷移學(xué)習(xí)GoogleNet模型的NewDropout層輸出作為時(shí)... 

【文章來源】：山東師范大學(xué)山東省

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

實(shí)驗(yàn)流程圖

山東師范大學(xué)碩士學(xué)位論文13在Bern-Barcelona腦電數(shù)據(jù)庫中以每20秒片段為一個(gè)樣本建立時(shí)頻表示。首先建立濾波器組，然后對(duì)濾波器進(jìn)行歸一化，使所有通帶的峰值幅度近似等于2。濾波器組是為具有10240個(gè)樣本點(diǎn)的信號(hào)設(shè)計(jì)的。使用Morlet小波作為分析小波。默認(rèn)尺度為大約每個(gè)八度48個(gè)小波的帶通濾波器。利用濾波器組提取信號(hào)的前1024個(gè)點(diǎn)的連續(xù)小波變換，并從系數(shù)中獲取散射圖，生成RGB時(shí)頻圖像，為了滿足AlexNet網(wǎng)絡(luò)的輸入要求,圖像大小被定義為227*227*3。如圖2-1所示。在UBonn數(shù)據(jù)庫中以每23.6秒片段為一個(gè)樣本建立時(shí)頻表示。在建立濾波器組時(shí)，使所有通帶的峰值幅度近似等于2。濾波器組是為具有4097個(gè)樣本點(diǎn)的腦電信號(hào)設(shè)計(jì)的。使用Morlet小波作為分析小波。默認(rèn)尺度為大約每個(gè)八度32個(gè)小波的帶通濾波器。利用濾波器組提取信號(hào)的前4097個(gè)點(diǎn)的連續(xù)小波變換，并從系數(shù)中獲取散射圖，生成RGB時(shí)頻圖像，圖像大小被定義為227*227*3。如圖2-2所示。圖2-1Bern-Barcelona腦電數(shù)據(jù)庫利用連續(xù)小波變換生成的RGB時(shí)頻圖

山東師范大學(xué)碩士學(xué)位論文14圖2-2UBonn腦電數(shù)據(jù)庫利用連續(xù)小波變換生成的RGB時(shí)頻圖2.3本章小結(jié)本章主要介紹了癲癇腦電信號(hào)的預(yù)處理方法，本文主要采用連續(xù)小波變換對(duì)腦電信號(hào)進(jìn)行時(shí)頻分析處理，目的是將原始的一維時(shí)序腦電信號(hào)進(jìn)行時(shí)域和頻域上的映射，獲得同時(shí)包含時(shí)域和頻域信息的時(shí)頻圖。首先對(duì)小波變換做了簡要介紹，接著介紹了基于兩個(gè)不同實(shí)驗(yàn)數(shù)據(jù)庫的預(yù)處理過程。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度遷移學(xué)習(xí)的大霧等級(jí)智能認(rèn)知方法研究[J]. 李帷韜,韓慧慧,焦點(diǎn),湯健,丁美雙.  電子測量與儀器學(xué)報(bào). 2020(02)
[2]基于非平衡數(shù)據(jù)的癲癇發(fā)作預(yù)警模型研究[J]. 吳慶忠,車峰遠(yuǎn),薛付忠.  山東大學(xué)學(xué)報(bào)(醫(yī)學(xué)版). 2012(02)

博士論文
[1]基于小波變換的癲癇腦電信號(hào)分析[D]. 陳多.東南大學(xué) 2017

碩士論文
[1]基于整體經(jīng)驗(yàn)?zāi)B(tài)分解和隨機(jī)森林的癲癇腦電信號(hào)識(shí)別算法研究[D]. 呂思奇.長春工業(yè)大學(xué) 2018
[2]基于廣義S變換和隨機(jī)森林算法的癲癇腦電信號(hào)特征提取與分類研究[D]. 王宇橋.吉林大學(xué) 2018



本文編號(hào)：3417643