發(fā)布時間：2022-01-08 18:29

　　致癇區(qū)腦電識別能夠為癲癇外科手術(shù)提供重要的參考價值。提出了一種基于深度網(wǎng)絡(luò)遷移學習的致癇區(qū)腦電識別算法。首先利用連續(xù)小波變換（CWT）對腦電信號進行時頻分析,獲得腦電信號時頻圖;然后遷移學習AlexNet網(wǎng)絡(luò)模型,調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)使之適應于致癇區(qū)腦電識別,將模型第7層全連接層輸出作為腦電信號時頻圖的特征表示,最后利用支持向量機（SVM）、BP神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)（LSTM）、基于稀疏表達分類算法（SRC）、線性判別分析（LDA）等分類算法進行特征分類�；陂_源腦電數(shù)據(jù)集采用十折交叉驗證的方法對算法進行了驗證,比較6種分類器的效果,得到SVM算法的平均特異性為88.81%,靈敏度為88.07%,準確率為88.44%,證明了該方法識別致癇區(qū)腦電信號的有效性。 

【文章來源】：儀器儀表學報. 2020,41(05)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

CWT生成的RGB時頻圖像

本文提出了基于深度網(wǎng)絡(luò)遷移學習的致癇區(qū)腦電識別算法。采用基于模型遷移學習的方法遷移學習預先訓練好的深度卷積網(wǎng)絡(luò)模型,然后通過調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu),添加自適應層對源域和目標域進行適配,使之適應于致癇區(qū)腦電識別,將訓練好的遷移網(wǎng)絡(luò)作為特征提取器。遷移學習深度網(wǎng)絡(luò)流程如圖2所示。經(jīng)典淺層神經(jīng)網(wǎng)絡(luò)一般只含有3個層:輸入層、單隱藏層和輸出層。這是因為經(jīng)典的學習方法很難收斂深層網(wǎng)絡(luò)結(jié)構(gòu)[21]。它們經(jīng)常陷入梯度消失問題,這意味著隨著迭代次數(shù)的增加,梯度值趨于0,網(wǎng)絡(luò)中的參數(shù)難以更新[22]。CNN通過增加卷積層,使得模型的性能優(yōu)于淺層神經(jīng)網(wǎng)絡(luò)。

CNN是一種通過觀察生物過程模擬人腦不同層次功能的深度學習神經(jīng)網(wǎng)絡(luò)[23]。在圖像處理中CNN是一種非常有效的算法[24]。CNN有不同的架構(gòu),如Le-Net、Alex-Net、Google-Net、Convo-Net、Res-Net等[25]。AlexNet架構(gòu)相比于其他架構(gòu)在處理復雜性方面具有更好的計算能力。其網(wǎng)絡(luò)結(jié)構(gòu)模型如圖3所示。AlexNet是一種擁有6 000萬個參數(shù)和65萬個神經(jīng)元的深度網(wǎng)絡(luò)模型,包括5層卷積層(convolution layer, conv),3層全連接網(wǎng)絡(luò)層(fully connected layer, FC),最終的輸出層是1 000通道的softmax層[26]。為了訓練這些參數(shù)Krizhevsky對AlexNet做了一些改進[27]。

【參考文獻】：
期刊論文
[1]基于深度遷移學習的大霧等級智能認知方法研究[J]. 李帷韜,韓慧慧,焦點,湯健,丁美雙.  電子測量與儀器學報. 2020(02)
[2]基于深度遷移學習的復雜環(huán)境下油氣管道周界入侵事件識別[J]. 溫江濤,王濤,孫潔娣,付磊,李剛,楊文明.  儀器儀表學報. 2019(08)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的超聲表面波定量表征金屬表層裂紋深度研究[J]. 董珍一,林莉,孫旭,馬志遠.  儀器儀表學報. 2019(08)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的漢字編碼標記點檢測識別[J]. 陶聰,施云,張麗艷.  儀器儀表學報. 2019(08)
[5]Gear Transmission Fault Classification using Deep Neural Networks and Classifier Level Sensor Fusion[J]. Min XIA,Clarence W.DE SILVA.  Instrumentation. 2019(02)
[6]An improved Machine Learning Approach to Classify Sleep Stages and Apnea Events[J]. Swapna PREMASIRI,Jayasanka RANAWEERA,Lalith B.GAMAGE,Clarence W.DE SILVA.  Instrumentation. 2019(02)
[7]Short-Term Relay Quality Prediction Algorithm Based on Long and Short-Term Memory[J]. XUE Wendong,CHAI Yuan,LI Qigan,HONG Yongqiang,ZHENG Gaofeng.  Instrumentation. 2018(04)



本文編號：3577062